1.一种基于特征变换的三维CBCT牙齿图像的分割方法，其特征在于，包括：实时获取CBCT图像数据，并对该数据进行预处理；将预处理后的CBCT图像数据输入到训练好的CBCT图像牙齿分割模型中进行分割处理；对分割结果进行评估分析；CBCT图像牙齿分割模型为改进的3D卷积神经网络，改进的3D卷积神经网络包括编码器、空间变换模块STM、类别变换模块CTM、特征融合模块、解码器以及输出层；所述空间变换模块STM和所述类别变换模块CTM均与编码器的末端连接，空间变换模块STM和类别变换模块CTM的输出端均与特征融合模块连接，特征融合模块的输出端以及编码器的输出端均与解码器连接，解码器的输出端与输出层连接，构成改进的3D卷积神经网络；

对CBCT图像牙齿分割模型进行训练的过程包括：

S1：获取原始CBCT图像数据，对原始图像数据进行预处理，得到训练集和测试集；

S2：将训练集中的数据输入到CBCT图像牙齿分割模型中进行训练；

S3：将CBCT图像数据输入到CBCT图像牙齿分割模型的编码器中进行特征提取，在每次下采样前保存该分辨率的特征图，得到多个具有不同分辨率的特征图；将除最高分辨率的特征图外的其他特征图作为跳跃路径，并与解码器对应分辨率的特征图进行融合；

S4：将最高分辨率的特征图分别输入到STM和CTM中，得到空间变换特征图和类别变换特征图；

采用空间变换模块STM对高分辨率特征图进行处理的过程包括：采用空间变换模块STM

3

将特征图分为P 个相同尺寸的图块patch，其中，P表示将图像在每个维度分为P等分；对每个图块进行reshape操作，使得每个图块拉伸为一维向量，将该一维向量作为空间嵌入向量组；将空间嵌入向量组依次输入到由多头自注意力模块和多层感知机组成的Transformer结构中，得到全局特征；对该特征进行reshape操作，使其还原回与输入特征图相同尺寸的空间变换特征图；

采用类别变换模块CTM对高分辨率特征图进行处理的过程包括：将输入的特征图分别输入到两个卷积层中，并进行reshape操作，得到一个表示单个体素节点类别概率的特征图Xcate和一个表示每个体素潜在特征的特征图Xhidden；将Xcate转置后与Xhidden进行矩阵乘法，得到表示每个类别节点具有全部体素特征的特征矩阵Xg，将Xg按类别分为n个通道数为1的特征矩阵 将特征矩阵 作为一个类别嵌入向量组；将类别嵌入向量依次输入到由多头自注意力模块和多层感知机组成的Transformer结构，得到类别变换特征；对类别变换特征进行reshape操作，使其维度变为m×n的还原特征；将Xhidden与还原特征做矩阵乘法，得到维度为hwd×n的特征矩阵，将维度为hwd×n的特征矩阵进行reshape操作，使该矩阵的维度变为n×h×w×d，再将维度变为n×h×w×d维矩阵输入到一个通道数与输入特征图相同的卷积层中，得到与输入特征图相同尺寸的类别变换特征图；

S5：将空间变换特征图和类别变换特征图输入到特征融合模块中进行融合处理，得到融合特征图；其中融合过程为采用Concat函数对两个特征图进行拼接操作；

S6：将其他分辨率特征图和融合特征图输入到解码器中，得到还原后的全尺寸特征图；

S7：将全尺寸特征图输入到输出层中，并采用Softmax函数对输出图像进行处理，得到分割结果；分割结果的表达式为：其中，Softmax(·)表示归一化指数函数，Xc表示Xout中第c个类别语义对应的输出，n表示类别总数，j表示第j个类别的语义；

S8：根据分割结果计算模型的损失函数，通过梯度反向传播，不断更新模型的参数，当损失函数收敛到最小值时完成模型的训练，得到训练好的CBCT图像牙齿分割模型；

型的损失函数包括交叉熵损失和多类soft‑Dice损失；对交叉熵损失与多类soft‑Dice损失求和，得到模型损失函数；

交叉熵损失函数表达式为：

其中，N表示图像体素的总数，n表示类别数， 和 分别表示第i个体素预测和ground truth的类别；

多类soft‑Dice损失函数表达式为：

最终损失函数为：

L＝LCE+αLMSD

其中，α是人工设定的超参数。

2.根据权利要求1所述的一种基于特征变换的三维CBCT牙齿图像的分割方法，其特征在于，对CBCT图像进行预处理的过程包括：对获取的CBCT图像进行清洗，删除无用的图像；

对清洗后的图像进行去噪增强处理；对增强后的图像进裁剪，得到颌骨图像。

3.根据权利要求1所述的一种基于特征变换的三维CBCT牙齿图像的分割方法，其特征在于，编码器和解码器共包括12个卷积模块、3个下采样模块、3个上采样模块以及3条跳跃路径；每个卷积模块包括一个3×3卷积层和一个归一化层，并采用Relu激活函数；空间变换模块STM和类别变换模块CTM为并行结构，均包括12个变换层，每个变换层由多头自注意力模块和多层感知机组成；特征融合模块为一次Concat操作的模块；输出层为通道数等于类别数的卷积模块。