혀 이미지의 정확한 분할은 중의학 혀 진단의 객관적 분석을 위한 중요한 전제 조건이다. 현재 널리 사용되는 완전 감독 분할 방법은 대량의 픽셀 단위 라벨링된 샘플을 필요로 하며, 단일 모델 기반 반감독 분할 방법은 학습된 오류 지식을 스스로 교정하는 능력이 부족하다. 이에 본 논문은 쌍 모델 상호 학습 기반 반감독 혀 이미지 분할 방법을 제안한다. 먼저 모델 A와 B는 라벨이 있는 데이터셋에서 감독 학습을 수행한다. 이후 모델 A와 B는 본 논문에서 설계한 상호 학습 손실 함수를 사용하여 라벨 없는 데이터에 대한 두 모델 예측의 차이를 기반으로 서로 다른 가중치를 부여하며 상호 학습 단계에 진입한다. 먼저 모델 A가 라벨 없는 데이터셋에 대해 의사 라벨을 생성하고, 모델 B는 라벨이 있는 데이터셋과 의사 라벨 데이터셋에서 미세 조정을 수행한 후, 모델 B가 의사 라벨을 생성하고 모델 A가 동일한 방식으로 미세 조정을 수행한다. 쌍 모델 미세 조정이 끝난 후, 성능이 더 우수한 모델을 최종 혀 이미지 분할 모델로 선택한다. 실험 결과 본 방법은 라벨 있는 데이터 비율이 1/100, 1/50, 1/25, 1/8일 때 각각 mIoU가 96.67%, 97.92%, 98.52%, 98.85%에 도달하며, 다른 전형적인 반감독 방법보다 우수함을 보였다. 본 방법은 적은 수의 라벨 데이터만으로도 높은 혀 이미지 분할 정확도를 달성할 수 있어, 이후 중의학 혀 색상 및 형태 등 혀상 분석 응용의 견고한 기반을 마련하고 중의 진단의 디지털화 과정을 촉진할 수 있다.

반감독; 상호 학습; 혀 이미지 분할; 손실 함수; 중의학 디지털화