1.一种面向边界框标注的迭代弱监督上颌窦分割方法，其特征在于：包括如下步骤：步骤一：根据上颌窦腔的最优窗宽窗位，对若干口腔CBCT，即ConebeamCT，进行预处理后，对其冠状图的上颌窦区域以边界框的形式进行框选标注，并按预设比例将标注后的冠状图数据划分为训练集D1和测试集D2；

步骤二：将D1和D2中的每张单通道图像分别输入线性谱聚类LSC得到对应图像的n个超像素，其中n为预设的超像素数目，将D1和D2分别转化为超像素集S1和S2；

步骤三：使用超像素集S1训练特征提取网络Unet；

步骤四：对于训练集D1中每张图像，用训练好的特征提取网络Unet提取其各超像素si的d n×d特征fi∈R，d为特征向量fi的长度，得到特征矩阵F∈R ，依据超像素块的特征和超像素块之间的空间关系构建各图像的超像素图G＝(V，E，F)，其中V＝{si|i＝1,2，..，n}和E＝{eij|i＝1,2，..，n，j＝1,2，...，n}分别表示所有顶点和边的集合，每个超像素si对应一个图上的节点，连边eij代表着空间上超像素si和sj之间的邻居关系，所有节点的连边关系构成一n×n个邻接矩阵A∈R ，

步骤五：根据各图像的超像素图，以超像素的类别为随机变量，构建一个条件随机场CRF，将边界框标注信息作为CRF的一元势，使用结构化SVM求解器SSVM训练具有参数θ＝*{Wu，Wp}的超像素级CRF模型，使用AD3算法计算得到最大后验MAP的标签序列为最优标签y：其中， 是一元势函数，表示将超像素si分为标签类别yi的能量，为超像素特K×d征fi和系数Wu∈R 的线性组合，p(yi|fi)表示在给定特征向量fi的情况下超像素xi被分配给标签yi的概率， 表示成对势函数，j∈δi表示超像素si的所有相邻超像素，K×Ksgn(.)是0‑1指示函数， 是过渡矩阵Wp∈R 的一个元素，表示与属于标签yj的超像素相邻的超像素被标记为yi的可能性，|Dij|代表两个超像素si和sj的特征向量fi与fj之间的距离，fik是特征向量fi的第k个元素；

步骤六：把各超像素图的最优标签y*作为初始伪标签LB，将各超像素图的连接矩阵A∈n×n n×dR 和特征矩阵F∈R 分别输入超像素分类网络即改进的图卷积网络IGCN，用初始伪标签(l)LB训练更新IGCN模型参数W ，W1和W2以最小化节点的交叉熵损失函数L，直至达到迭代步数epoch，其中IGCN层与层之间的传播为：(l+1) (l+1)

Z ＝Relu(H W1)W2，(8)

其中Re Lu(.)为激活函数， 和 分别表示第l+1层和第l层的(0)

输出，H ＝F，dl和dl+1分别为第l层和第/+1层的特征向量维度， 为添加了自连接n×n (l) (l+1)的邻接矩阵A，I∈R 为单位矩阵，是 的度矩阵，W 是第l层的可训练权重矩阵，Z 为更新后的第l+1层输出， 和 是两个全连层的权重，IGCN的最后一层用SoftMax计算分类概率，并结合伪标签LB计算交叉熵损失函数L：i i

其中y为超像素si的标签， 为超像素si取y＝1的概率；

步骤七：基于超像素级CRF和超像素分类网络IGCN以迭代学习的方式逐步完善超像素的伪标签，直到达到最大迭代步数T2；

步骤八：对超像素集S2中各超像素使用训练好的特征提取网络Unet提取特征；

步骤九：对于测试集D2中每张图像，根据各超像素特征和超像素之间的空间关系构建超像素图，得到连接矩阵A和特征矩阵F；

步骤十：将超像素图的连接矩阵A和特征矩阵F输入训练好的超像素分类网络IGCN，得到上颌窦的分割结果。

2.如权利要求1所述的一种面向边界框标注的迭代弱监督上颌窦分割方法，其特征在于：步骤三具体包括：

3.1使用像素投票策略确定每个超像素的标签，对于训练集D，中各个边界框标注的图像真值G，统计G中超像素s，对应的区域 中属于每个类别的像素个数，选择出现频次最高的类别作为si的类别标签yi：其中，sgn(.)是指示类别的函数，sgn(true)＝1，sgn(false)＝0，lp代表第p个像素的类别，k和K分别是训练集D1中的类别号和总类别数， 表示 中像素点的总个数；

3.2将S1中每个超像素分别放入一个预设大小的矩形图片patch中，超像素的质心为patch的中心，patch中不属于超像素区域的像素置为0，保证每个patch仅有一个超像素；

3.3将每个patch分别输入特征提取网络得到一个d维的特征向量后，再送入一个SoftMax层进行分类识别训练，直到达到最大的迭代步数T1，其中每个patch的标签为其对应超像素的标签，特征提取网络为Encoder‑Decoder结构的Unet，Encoder部分含有4层卷积层，统一为3×3的卷积核，padding为1，每个卷积层都包含一个批量归一化BN操作，Decoder部分含有4层反卷积，卷积核大小为2×2，stride为2，最后1层为1个含有d个神经元的全连接层。

3.如权利要求1所述的一种面向边界框标注的迭代弱监督上颌窦分割方法，其特征在于：步骤七具体包括：

7.1当迭代步数达到epoch的整数倍时，将IGCN的预测结果作为CRF的一元势，使用SSVM训练更新超像素级CRF模型参数θ＝{Wu，Wp}，使用AD3算法对超像素级CRF模型推理计算得到更新后的伪标签LB；

(l)

7.2根据伪标签LB训练更新IGCN模型参数矩阵W ，W1和W2以最小化训练节点的交叉熵损失函数L。

4.一种实施如权利要求1所述的的一种面向边界框标注的迭代弱监督上颌窦分割方法的系统，其特征在于：包括：预处理模块、超像素分割模块、超像素特征提取训练模块、构建训练超像素图模块、粗标签精细化模块、超像素分类训练模块、迭代训练模块、超像素特征提取模块、构建超像素图模块、超像素分类模块。