摘要：舌体图像的准确分割是中医舌诊客观化分析的重要前提,目前广泛采用的全监督分割方法需要对大量像素级标注的样本进行训练,而基于单一模型的半监督分割方法对学习到的错误知识缺乏自我纠正能力。针对这一问题,本文提出一种新颖的基于双模型互学习的半监督舌体图像分割方法。首先,模型A、B分别在有标签数据集上进行监督训练。之后,模型A、B进入互学习阶段,使用本文设计的互学习损失函数,根据双模型对无标签数据预测的分歧而赋予不同的权重。先由模型A对无标签数据集生成伪标签,模型B在有标签数据集和伪标签数据集上进行微调,然后模型B再对无标签数据集生成伪标签,模型A以同样的方式进行微调。双模型微调结束后,选择性能更佳的一个作为最终的舌体图像分割模型。实验结果表明,本文方法的有标签数据比例为1/100、1/50、1/25、1/8时,mIoU分别达到96.67%、97.92%、98.52%、98.85%,优于对比的其他典型半监督方法。本文方法仅需少数标签数据便可达到较高的舌体图像分割精度,可为后续的中医舌色、舌形等舌象分析应用奠定坚实基础,推动中医诊疗数字化进程。