基于一致性和伪标签的半监督医学图像分割方法

到可靠的语义信息，提出了一种强弱可分离的双一致性方法，通过强和弱的双数据增强提高了模型从不同的场景和条件下的特征表达能力，并在输出端进行数据级和特征级一致性学习，提升模型的分割性能。通过在6个数据集上进行广泛实验，充分证明本方法在半监督医学图像分割领域具有先进性，从可视化结果中也可以看到本方法的分割效果高于其他先进方法。

(2)为了充分帮助学生模型学习到更加全面的特征信息，提出了基于一致性和伪标签相结合的不确定性指导双学生与教师联合学习，通过学生与教师之间进行不确定性引导一致性学习，学生与学生之间进行确定性引导伪标签学习，促使学生网络从教师和学生网络中进行更高精度的学习。其中不确定性与确定性由它们之间的交集进行确定，这种操作也加强了模型的抗噪性。从实验结果中也可以看出结合一致性与伪标签的方法比一致性方法有所提升。

参考文献（略）