基于TransUNet深度学习架构构建颅颌面骨CBCT自动分割系统，并验证其精确度及分割效率，以应用于临床各类修复场景。

回顾性收集110例CBCT影像数据，随机分为训练集（100例）和测试集（10例），训练集用于输入TransUNet深度学习架构进行深度学习模型的训练，测试集用于分割效率和准确度的评价。将三名高年资医师手动精细分割，相互验证和校正后的手工分割结果为金标准，将深度学习模型分割结果与金标准进行对照，以分割重建时间作为分割效率的定量评价指标；以Dice相似系数（Dice similarity coefficient，DSC）、交并比（intersection-over-union，IoU）以及均方根误差（root mean square，RMS）作为分割准确度的定量评价指标。

深度学习模型的分割重建时间为 35.5 ± 3.8 秒。针对颅颌面复合体的分割，DSC为 0.955 ± 0.013，IoU为0.914 ± 0.023，RMS为 0.242 ± 0.105 mm；针对下颌骨的分割，DSC为 0.979 ± 0.004，IoU为 0.958 ± 0.008，RMS为 0.124 ± 0.054 mm。

本研究开发的基于TransUNet深度学习架构的颅颌面骨CBCT自动分割系统能够快速、精确地实现颅颌面复合体与下颌骨的结构分割，为口腔修复临床诊疗提供有效的技术支持。