Para melhorar os problemas de utilização insuficiente de pseudo-rótulos de baixa confiança, a necessidade urgente de otimizar a precisão dos pseudo-rótulos de alta confiança e o desequilíbrio das classes de pseudo-rótulos na tarefa de segmentação semântica semi-supervisionada de imagens patológicas de câncer colorretal, este artigo propõe um método de regulação da confiança dos pseudo-rótulos, visando alcançar uma segmentação semântica semi-supervisionada multiclasse de alta qualidade para imagens patológicas de câncer colorretal. Primeiramente, com base em uma estrutura de segmentação semântica semi-supervisionada com modelo professor-aluno, propõe-se a incorporação de regulação da confiança das classes na regularização de consistência, removendo as classes confusas em pseudo-rótulos de baixa confiança gerados pelo modelo professor não treinado para aumentar a determinação, aumentando assim a contribuição dos pseudo-rótulos de baixa confiança. Em segundo lugar, propõe-se um paradigma de operação de pré-seleção seguido por refinamento para os pseudo-rótulos gerados pelo modelo professor treinado, refinando os pseudo-rótulos de alta confiança selecionados por meio de uma operação baseada em campos aleatórios condicionais para melhorar os problemas de bordas desfocadas e falta de informação semântica nos pseudo-rótulos de alta confiança. Por fim, para mitigar o desequilíbrio das classes nos dados de pseudo-rótulos, foi projetado um método de aumento de dados forte em cascata aleatória adaptativa, baseado na determinação do número de classes de pseudo-rótulos. Por meio de experimentos com um conjunto de dados construído para imagens patológicas de câncer colorretal, bem como conjuntos de dados públicos multiclasse, o método alcançou uma precisão média de segmentação de 74,09% para quatro classes de imagens patológicas de câncer colorretal, com melhoria de 6,43% em relação à rede base, fornecendo suporte algorítmico robusto para segmentação semântica semi-supervisionada de imagens patológicas de câncer colorretal.

imagens patológicas de câncer colorretal; segmentação semântica semi-supervisionada; modelo professor-aluno; regularização de consistência; campos aleatórios condicionais; aumento de dados