1.一种结合全局注意力和尺度感知的CBCT牙齿实例分割方法，其特征在于，所述结合全局注意力和尺度感知的CBCT牙齿实例分割方法，包括：获取原始CBCT影像，对原始CBCT影像使用预处理操作后作为输入影像I；

将CBCT影像I输入至结合全局注意力和尺度感知的分割网络，得到CBCT影像的分割结果Fout；

其中，所述将CBCT影像I输入至结合全局注意力和尺度感知的分割网络，得到CBCT影像的分割结果Fout，包括：步骤1.1、将CBCT影像I输入至基于全局注意力的卷积块，得到输出特征图F1，其维度大小为C1X D1X H1X W1；

步骤1.2、将特征图F1进行最大池化，然后输入至基于全局注意力的卷积块，得到输出特征图F2，其维度大小为C2X D2X H2X W2；

步骤1.3、将特征图F2进行最大池化，然后输入至基于全局注意力的卷积块，得到输出特征图F3，其维度大小为C3X D3X H3X W3；

步骤1.4、将特征图F3进行最大池化，然后输入至基于尺度感知的卷积块，得到输出特征图Fdeep，其维度大小为C4X D4X H4X W4；

步骤1.5、将生成的特征图Fdeep进行上采样，之后和特征图F3按通道进行拼接，得到通道数为C4+C3的特征图，将其输入至基于全局注意力的卷积块，得到特征图Fup1，其维度大小为C3X D3X H3X W3；

步骤1.6、将特征图Fup1进行上采样，之后和特征图F2按通道进行拼接，得到通道数为C3+C2的特征图，将其输入至基于全局注意力的卷积块，得到特征图Fup2，其维度大小为C2X D2X H2X W2；

步骤1.7、将特征图Fup2进行上采样，之后和特征图F1按通道进行拼接，得到通道数为C2+C1的特征图，将其输入至基于全局注意力的卷积块，得到特征图Fup3，其维度大小为C1X D1X H1X W1；

步骤1.8、将特征图Fup3输入至卷积核大小为1X1X1的卷积块，得到CBCT影像的分割结果Fout，其维度大小为C5X D1X H1X W1，其中C5代表C5颗不同牙齿的类别数。

2.如权利要求1所述的结合全局注意力和尺度感知的CBCT牙齿实例分割方法，其特征在于，所述获取原始CBCT影像，对原始CBCT影像使用预处理操作，包括：获取CBCT影像，将CBCT影像裁剪成仅包含牙齿的ROI区域，并缩小至预设大小。

3.如权利要求1所述的结合全局注意力和尺度感知的CBCT牙齿实例分割方法，其特征在于，所述基于全局注意力的卷积块，包括一组级联的卷积核大小为3X3X3的卷积层、批处理标准化层和激活层以及一组全局注意力模块。

4.根据权利要求3所述的结合全局注意力和尺度感知的CBCT牙齿实例分割方法，其特征在于，所述全局注意力模块，包括：将输入特征图分别进行一组卷积核大小为1X1X1的卷积层、实例归一化层、激活层的操作，一组卷积核大小为1X1X1的卷积层、实例归一化层、激活层、卷积核大小为3X3X3的卷积层、实例归一化层、激活层的操作和一组卷积核大小为1X1X1的卷积层、实例归一化层、激活层、卷积核大小为5X5X5的卷积层、实例归一化层、激活层的操作，然后将三组操作输出的特征图按通道拼接后得到中间特征图，对中间特征图进行一次全局池化操作和两次1X1X1的卷积层后进行激活，然后与中间特征图相乘得到权重特征图，将权重特征图和中间特征图相加后得到最终输出特征图。

5.如权利要求1所述的结合全局注意力和尺度感知的CBCT牙齿实例分割方法，其特征在于，所述基于尺度感知的卷积块，包括一组级联的卷积核大小为3X3X3的卷积层、批处理标准化层和激活层以及一组尺度感知模块。

6.如权利要求5所述的结合全局注意力和尺度感知的CBCT牙齿实例分割方法，其特征在于，所述尺度感知模块，包括：将输入特征图分别输入空洞率为1和2的空洞卷积层，得到的两个特征图进行通道拼接后输入到一组由卷积核大小为1X1X1和3X3X3的卷积块当中，得到第一个中间特征图，将输入特征图输入至空洞率为4的空洞卷积层，得到的特征图和第一个中间特征图进行通道拼接后输入到一组由卷积核大小为1X1X1和3X3X3的卷积块当中，得到第二个中间特征图，将输入特征图与第二个中间特征图按照一个可学习参数α的比例加权相加，得到最后的输出特征图。