基于元学习与转换一致性的平均教师半监督图像分割方法

本公开涉及一种基于元学习与转换一致性的平均教师半监督图像分割方法，属图像分割技术领域。具体步骤包括：构建平均教师模型，结合元学习动态优化教师模型参数更新策略；利用转换一致性增强无监督正则化效果；引入蒙特卡罗MC Dropout增强不确定性估计，提升学生网络优化可靠性；设计自深度监督模块学习病灶特征信息；配合使用注意力机制ECA模块和动态区域感知卷积DR模块平衡效率与性能。该方法在LiTS2017数据集上表现卓越，大幅减少对标注数据的依赖，有效缓解医学图像注释困难问题，且在效率和性能上实现平衡，更适用于实际医学图像分割场景。