基于多模态师生一致性学习的半监督分割方法

本发明适用于医学图像分割技术领域，提供了基于多模态师生一致性学习的半监督分割方法，包括以下步骤：构建教师‑双学生模型框架，该框架包括一个多模态教师模型和两个独立的具有不同学习条件的单模态学生模型，这两个学生模型使用相同结构的分割网络，分别处理两种不同模态的图像；在数据输入与训练阶段，有标签的数据通过真实标签训练学生模型，而未标记的数据则通过教师模型生成的伪标签进行训练；训练过程中，确保教师模型和学生模型之间，以及两个学生模型之间的一致性的预测。本发明有效缓解了因标注数据不足而引发的过拟合问题。在标注数据有限的实际医疗场景中，本发明能够仅凭较少的标签就实现可靠的分割结果，以缓解医疗条件压力。