基于基础模型辅助半监督学习的医学图像分割方法及系统

本发明公开了一种基于基础模型辅助半监督学习的医学图像分割方法及系统。在医学图像分割任务中，本发明通过引入视觉基础模型Segment Anything Model(SAM)与U‑Net模型相结合的创新方法，显著提升了标注精度和分割效果。与现有的半监督学习方法相比，本发明通过引入可靠性评分机制和前景冲突处理策略，解决了低质量伪标签的问题，并通过区域交换策略有效利用了不可靠图像。最终，本发明为解决医学图像分割中的伪标签质量不高和数据标注成本高的问题提供了新的解决方案，极大地提高了医学图像分割的性能，并在多个基准数据集上展示了优越的分割效果。