1.基于上下文融合机制的CBCT颌骨区域分割方法，其特征在于，包括：步骤一，获取颌骨原始CBCT图像；步骤二，对颌骨原始CBCT图像进行预处理；步骤三，将预处理后的图像输入已训练好的神经网络结构中进行分割得到颌骨区域分割图像；所述神经网络结构为CA-Swin-Unet，包括编码器和解码器；所述解码器中添加上下文注意力模块TBCAM，用于在多个尺度捕获上下文信息以实现上下文语义信息融合；所述上下文注意力模块TBCAM先将解码器不同层之间的特征图concat拼接后加入卷积实现特征融合，然后将特征融合后的数据输入卷积注意力模块CBAM中提取特征掩码，以筛选融合后的上下文特征；所述上下文注意力模块TBCAM的计算表达式为：TBCAM(S l ) = patch_expand(CBAM(concat(S l−1 ， patch_merge (S l )))⊙S l )；式中，S l 表示解码器中第l层Transformer block输出的特征图，patch_expand (*)表示一个上采样操作，通过减少通道数提高图像分辨率，patch_merge(*)表示一个下采样操作，通过提高通道数减小图像分辨率；CBAM(*) 表示卷积注意力模块用于获取融合上下层语义后特征图的注意力权重图，⊙表示点乘；所述编码器包括2n个Swin Transformer模块，在每两个Swin Transformer模块之间通过 Patch Merge方法来实现层级结构；n为除零以外的自然数；编码器与解码器中间的跳层结构通过concat拼接融合编码阶段和解码阶段的特征图，实现浅层特征和深层特征的融合；所述解码器与编码器对称，解码器包括2n个Swin Transformer模块用于抽取或重构特征；所述解码器层与层之间的特征图通过上下文注意力模块TBCAM连接；神经网络结构的训练过程包括：T1，获取颌骨的原始CBCT图像并进行预处理；所述预处理的过程包括：将Dicom格式保存的颌骨原始CBCT图像转化为 PNG 格式；逐层读取原始CBCT图像，并对原始CBCT图像依次进行随机剪裁、随机水平镜像翻转、随机仿射变换和转置，将图像统一为448*448 像素后进行归一化处理；T2，将预处理后的图像分成训练集、验证集和测试集；其中训练集占比80%，验证集占比10%，测试集占比10%；T3，将训练集作为神经网络结构的输入，通过损失函数对神经网络结构的网络参数逐一进行优化，将验证集中评价指标最优的参数模型选作最终分割模型；所述损失函数用于适应只有一个目标分割区域的分割任务，所述损失函数包括BCEWithLogitsLoss 和 BinaryDiceLoss；所述评价指标包括：IoU、SE、DSC、SP和HD，选择IoU高的参数模型作为最终分割模型。
2.基于上下文融合机制的CBCT颌骨区域分割系统，其特征在于，应用于权利要求1所述的CBCT颌骨区域分割方法，包括：采集模块，用于获取颌骨的原始CBCT图像；预处理模块，用于对颌骨的原始CBCT图像进行预处理；分割模块，用于将预处理后的图像输入已训练好的神经网络结构中进行分割得到颌骨区域分割图像；所述神经网络结构为CA-Swin-Unet，包括编码器和解码器；所述解码器中添加上下文注意力模块TBCAM，用于在多个尺度捕获上下文信息以实现上下文语义信息融合。
