A segmentação precisa de imagens da língua é um pré-requisito importante para a análise objetiva do diagnóstico da medicina tradicional chinesa pela língua. Atualmente, os métodos de segmentação totalmente supervisionados amplamente utilizados requerem treinamento com uma grande quantidade de amostras anotadas em nível de pixel, enquanto os métodos de segmentação semi-supervisionados baseados em um único modelo carecem da capacidade de autocorrigir os erros aprendidos. Para resolver esse problema, este artigo propõe um método inovador de segmentação semi-supervisionada de imagens da língua baseado no aprendizado mútuo entre dois modelos. Primeiramente, os modelos A e B são treinados de forma supervisionada em um conjunto de dados rotulado. Em seguida, os modelos A e B entram na fase de aprendizado mútuo, utilizando uma função de perda projetada neste trabalho, atribuindo pesos diferentes conforme a divergência das previsões dos dois modelos sobre dados não rotulados. Primeiro, o modelo A gera pseudo-rótulos para o conjunto de dados não rotulados, o modelo B ajusta-se finamente nos conjuntos de dados rotulados e de pseudo-rótulos, depois o modelo B gera pseudo-rótulos para o conjunto de dados não rotulados, e o modelo A realiza o mesmo ajuste fino. Após o ajuste mútuo dos dois modelos, escolhe-se aquele com melhor desempenho como o modelo final de segmentação de imagens da língua. Os resultados experimentais mostram que o método deste trabalho alcança mIoU de 96,67%, 97,92%, 98,52% e 98,85% para proporções de dados rotulados de 1/100, 1/50, 1/25 e 1/8, respectivamente, superando outras metodologias semi-supervisionadas típicas. Este método requer apenas poucos dados rotulados para alcançar alta precisão na segmentação de imagens da língua, podendo estabelecer uma base sólida para aplicações futuras de análise da cor e forma da língua na medicina tradicional chinesa e promover o processo de digitalização do diagnóstico e tratamento na área.

semi-supervisionado; aprendizado mútuo; segmentação de imagem da língua; função de perda; digitalização da medicina tradicional chinesa