La segmentación precisa de imágenes de la lengua es un prerrequisito importante para el análisis objetivo del diagnóstico de la medicina tradicional china basado en la lengua. Actualmente, los métodos de segmentación totalmente supervisados ampliamente utilizados requieren el entrenamiento con una gran cantidad de muestras anotadas a nivel de píxel, mientras que los métodos de segmentación semisupervisados basados en un solo modelo carecen de la capacidad para autocorregir los errores aprendidos. Para abordar este problema, este artículo propone un novedoso método de segmentación semisupervisada de imágenes de la lengua basado en el aprendizaje mutuo entre dos modelos. Primero, los modelos A y B se entrenan de forma supervisada en un conjunto de datos etiquetado. Luego, ambos modelos entran en una fase de aprendizaje mutuo utilizando una función de pérdida diseñada en este estudio, asignando diferentes pesos según la discrepancia en las predicciones de los dos modelos en los datos sin etiquetar. Primero, el modelo A genera etiquetas falsas para el conjunto de datos sin etiquetar, el modelo B se ajusta finamente utilizando los datos etiquetados y las etiquetas falsas; luego, el modelo B genera etiquetas falsas y el modelo A se ajusta de la misma manera. Después de que ambos modelos afinan sus pesos, se selecciona el modelo con mejor rendimiento como modelo final de segmentación de imágenes de la lengua. Los resultados experimentales muestran que el método logra un mIoU de 96.67%, 97.92%, 98.52% y 98.85% para proporciones de datos etiquetados de 1/100, 1/50, 1/25 y 1/8, respectivamente, superando a otros métodos semisupervisados típicos. Este método solo requiere una pequeña cantidad de datos etiquetados para lograr una alta precisión en la segmentación de imágenes de la lengua, sentando una base sólida para futuras aplicaciones de análisis de color y forma de la lengua en la medicina tradicional china y promoviendo la digitalización del diagnóstico y tratamiento.

semi-supervisado; aprendizaje mutuo; segmentación de imágenes de lengua; función de pérdida; digitalización de la medicina tradicional china