粘性骨块在侧壁开窗上颌窦底提升术（LSFE）中的准确识别对评估成骨效果至关重要。传统CBCT手动分割效率低且主观性强，现有深度学习方法难以处理其形态不规则、边界模糊及伪影干扰等问题。本研究旨在开发基于U-Net+多尺度特征融合(MSFF)+卷积块注意力机制(CBAM)的自动识别系统，提高识别精度和边界定位能力，为临床提供高效客观的评估工具。

回顾性收集2021年1月至2024年12月山东大学口腔医院93例接受LSFE且使用粘性骨块的患者CBCT数据，包含术后即刻(T0)和术后6-8个月(T1)共186个扫描。构建U-Net+MSFF+CBAM网络，采用Dice系数、IoU、准确率和敏感性评估性能，与U-Net、AttU-Net、R2U-Net对比，通过消融实验验证模块贡献。比较自动与手动分割时间。

改进模型的Dice系数达到82.99%±21.58%，IoU为75.12%±28.97%，显著优于U-Net、AttU-Net和R2U-Net等基准模型（p<0.05）。消融实验验证MSFF模块结合CBAM的模块协同效应。自动分割单例CBCT仅需25.96秒，较手动标注的1410秒缩短98.2%（p<0.0001）。

基于改进模型能够准确、高效地实现粘性骨块的自动识别与分割，为LSFE骨移植材料的定量评估提供了可靠的智能化工具，具有良好的临床应用前景。