摘要
由于数据分布不均衡且样本有限，现有的半监督医学图像分割方法在处理某些特定尾部类别时往往难以取得优异性能。对这些特定类别的训练不足会引入更多噪声到生成的伪标签中，进而影响整体学习效果。为缓解这一缺陷并识别出表现欠佳的类别，本文提出维护一个置信度数组，在训练过程中记录各类别的表现情况。在此基础上，我们引入一种模糊融合机制，以自适应地为每个样本中的各类别置信度指标动态分配权重，而非采用传统集成方法中为所有测试样本设定固定预设权重的方式。此外，我们还设计了一种鲁棒的类别级采样策略与动态稳定性机制，以优化训练过程。所提方法通过动态加权机制综合考虑所有表现欠佳的类别，并在训练过程中尽可能消除噪声。在两个心脏MRI数据集ACDC与MMWHS上的实验结果表明，该方法具有良好的有效性与泛化能力，性能优于文献中多种先进的方法。