1.一种腭部软硬组织厚度测量方法，其特征在于，包括如下步骤：步骤S10：获取多个初始腭部软硬组织图像，并对多个所述初始腭部软硬组织图像进行轮廓标注；步骤S20：对标注后的初始腭部软硬组织图像进行深度学习，得到深度学习模型，所述深度学习包括计算交叉注意力特征，所述交叉注意力特征的计算方法包括：通过对标注后的初始腭部软硬组织图像进行软池化处理得到特征区域，再通过将特征区域输入卷积注意力进行拼接得到；步骤S30：基于深度学习模型的预测结果得到腭部软硬组织的厚度；步骤S30中还包括，通过腭部软硬组织厚度预测算法计算得到腭部软硬组织的厚度，所述腭部软硬组织厚度预测算法包括腭部软硬组织区域预测、厚度预测算法和种植区域预测；所述腭部软硬组织区域预测方法包括：通过交并比和交叉熵损失函数对所述深度学习模型进行训练，通过测试集验证腭部软硬组织区域预测结果和定量评价；所述厚度预测算法的计算公式为 其中，Z为范数函数，P为所述腭部软硬组织区域预测结果， 为 且m最小时的像素位置， 为 且m最大时的像素位置， 为所述腭部软硬组织区域的预测结果，m为腭部软硬组织区域的行序号，n为腭部软硬组织区域的列序号；所述种植区域预测的方法包括：当所述厚度预测算法计算得到的一范数Z 1 的值大于等于4，且二范数Z 2 为0～1.5时，记录对应的 和 遍历所有图像的CBCT切片，得到推荐的种植区域；所述卷积注意力包括通道卷积注意力和空间卷积注意力，所述特征区域包括横向注意力区域和纵向注意力区域；所述通道卷积注意力由横向注意力和纵向注意力拼接得到，所述通道卷积注意力包括横向通道卷积注意力和纵向通道卷积注意力，所述空间卷积注意力包括横向空间卷积注意力和纵向空间卷积注意力，所述横向注意力通过横向通道卷积注意力和横向空间卷积注意力共同得到，所述纵向注意力通过纵向通道卷积注意力和纵向空间卷积注意力共同得到。
2.如权利要求1所述的一种腭部软硬组织厚度测量方法，其特征在于，步骤S20中，所述软池化的计算公式为：X S ＝∑ i∈R w i ·X i ，其中，X S 为软池化的输出结果，R为激活区域内的最大近似，w i 为激活区域权重，X i 为在R上的集合，i为第一像素坐标的序号，i＝1、2、3、...、I。
3.如权利要求2所述的一种腭部软硬组织厚度测量方法，其特征在于，所述激活区域权重w i 的计算公式为 其中，e为自然指数，X j 为在R上的集合，j为第二像素坐标的序号，j＝1、2、3、...、J。
4.如权利要求1所述的一种腭部软硬组织厚度测量方法，其特征在于，步骤S20中还包括：通过特征金字塔网络对所述交叉注意力特征进行腭部软硬组织粗预测，并通过区域生成网络和区域池化获取腭部软硬组织分割和分类结果。
5.如权利要求1所述的一种腭部软硬组织厚度测量方法，其特征在于，步骤S20中，所述深度学习还包括：粗轮廓和细节轮廓，所述粗轮廓通过对卷积后的输出图像进行软池化处理得到，所述细节轮廓通过对所述粗轮廓中的每一个图像块进行逆卷积处理得到，并通过反向采样学习所述细节轮廓的边缘特征。
6.一种采用如权利要求1-5任一所述的一种腭部软硬组织厚度测量方法进行腭部软硬组织厚度测量的系统，其特征在于，腭部软硬组织图像标注模型、深度学习模型和腭部软硬组织厚度计算模型，所述腭部软硬组织图像标注模型用于初始腭部软硬组织图像进行轮廓标注；所述深度学习模型用于对轮廓标注后的初始腭部软硬组织图像进行深度学习，得到分割后的腭部软硬组织图像；所述腭部软硬组织厚度计算模型用于根据分割后的腭部软硬组织图像计算得到腭部软硬组织的厚度。
