La segmentation précise des images de la langue est une condition essentielle pour une analyse objective du diagnostic de la médecine traditionnelle chinoise (MTC) par la langue. Les méthodes de segmentation totalement supervisées largement utilisées nécessitent actuellement un entraînement sur un grand nombre d'échantillons annotés au niveau pixel, tandis que les méthodes de segmentation semi-supervisées basées sur un modèle unique manquent de capacité d'auto-correction des erreurs apprises. Pour pallier ce problème, cet article propose une méthode innovante de segmentation semi-supervisée des images de la langue basée sur un apprentissage mutuel entre deux modèles. Tout d'abord, les modèles A et B sont entraînés supervisément sur un ensemble de données annoté. Ensuite, ils entrent dans la phase d'apprentissage mutuel en utilisant une fonction de perte conçue à cet effet, où différents poids sont attribués en fonction des divergences des prédictions des deux modèles sur les données non annotées. Le modèle A génère d'abord des pseudo-étiquettes pour l'ensemble de données non annoté, le modèle B est affiné sur les données annotées et les pseudo-étiquettes, puis le modèle B génère à son tour des pseudo-étiquettes, et le modèle A est affiné de la même manière. Après cette phase de raffinement mutuel, le modèle avec les meilleures performances est choisi comme modèle final de segmentation des images de la langue. Les résultats expérimentaux montrent que la méthode atteint des mIoU de 96,67%, 97,92%, 98,52% et 98,85% pour des proportions de données annotées respectives de 1/100, 1/50, 1/25 et 1/8, surpassant d'autres méthodes semi-supervisées typiques. Cette méthode nécessite seulement un petit nombre de données annotées pour atteindre une haute précision de segmentation des images de la langue, ce qui peut poser une base solide pour des applications futures d'analyse des caractéristiques de la langue en MTC comme la couleur et la forme, et promouvoir la numérisation du diagnostic et du traitement en MTC.

semi-supervisé; apprentissage mutuel; segmentation d'image de langue; fonction de perte; numérisation de la médecine traditionnelle chinoise