汪 洋，杨 云

(云南大学 国家示范性软件学院，云南 昆明 650504)

0 引 言

在新型冠状病毒肺炎(COVID-19)诊疗中，专业医师通过观察患者肺部计算机断层扫描(CT)影像的病灶情况观察病情[1]。利用计算机进行影像配准、分类和分割等任务可以减少医师工作量，其中医学影像分割任务目的在于提取影像中目标区域，描绘出目标区域的影像即标签称为分割图，由专业医师标记的分割图称为金标准数据。医学影像由于复杂且分辨率较高，传统方法效果不佳[2]。

在深度学习方法中，全监督分割网络UNet[3]是大部分研究的基石[4]，但依赖金标准数据，半监督学习[5]则利用未标记数据辅助训练。现有的半监督分割研究主要有基于自训练的方法[6，7]构建伪标签数据集[8]加入训练集中迭代训练，通过优化损失函数提升标准协同训练性能[9，10]，通过熵最小化[11]和一致性正则化[12-15]得到高质量伪标签，但上述方法未考虑伪标签不确定性问题[16]；基于对抗训练的方法[17]通过判别网络和分割网络进行对抗训练提升性能。

针对如何提高伪标签质量和度量伪标签不确定性问题，本文从协同训练[9]方式出发，使用UNet[3]和DeepLabV3+[18]搭建网络，首先集成各网络对未标记数据的输出生成最终伪标签提高伪标签质量；之后，从无监督学习[19]中受到启发，使用JS距离[9]度量伪标签的不确定性，改善伪标签的监督损失。最后在公开的COVID-19数据集上进行实验，结果表明，所提方法改善了伪标签质量，同时减轻因低质量伪标签造成的性能下降。……