基于不确定性指导的半监督医学图像解耦对比分割方法

本发明公开了基于不确定性指导的半监督医学图像解耦对比分割方法，涉及计算机视觉和半监督学习技术领域，包括构建双学生－单教师同架构网络；用Dice损失选有标签数据预测更优的“winner”学生模型，借EMA公式更新教师模型参数；教师模型为无标签数据生成伪标签，以Dice损失指导学生模型更新；引入CCB模块，按熵值算不确定性，结合预测一致性定伪标签助互补学习；按总损失公式算损失，迭代训练至收敛，本方案相对于现有技术提升分割准确性与稳定性，可辅助磁共振图像异常区域、病灶分割，减轻医生负担，且架构通用可拓展。从而解决有效解决现有方法模型参数耦合、错误预测误导及标注依赖高的问题。