BSNet是在MT框架上改进的模型。针对MT单向权重更新、伪标签误差累积等问题，提出三大关键机制：双向指数移动平均更新、双向伪标签监督和对抗学习策略。通过双向权重更新，让“师生模型”协同进化，就像两位医生相互学习、共同进步，增强模型学习能力；引入类别级伪标签监督，提升前景与背景的区分度，好比给模型装上更精准的“辨别镜”；结合对抗判别器优化伪标签分布，有效抑制噪声，进一步提升分割性能。

过采样SMOTE逻辑回归、SVM、随机森林、AdaBoost和XGBoost对不平衡数据分析预测

阅读文章 ➜

构建了BSNet的基本框架，包含两个UNet分割网络（network_a、network_b ）和一个轻量级判别器（discriminator ）。网络A和B处理不同类型图像（有标签、无标签），输出用于后续的监督和优化，判别器则对伪标签进行处理，让伪标签质量更优，助力模型提升分割效果。

随时关注您喜欢的主题

损失函数与优化

模型训练采用多重损失联合优化，有监督损失（交叉熵）LsupLsup 、无监督一致性损失（MSE + KL）LunsupLunsup 、对抗损失（GAN）LdLd 。优化器用Adam，给两个分割网络和判别器设不同学习率，训练轮数设为30，每批数据大小为16 。训练中用双边指数移动平均（Bilateral – EMA）策略更新网络权重，提升训练稳定性和伪标签可靠性。就像给模型训练配上“稳定器”和“精准调节器”，让模型在医学图像分割学习中稳步提升。

模型应用实践：从训练到验证

模型训练时，用两个结构相同的UNet分割网络和轻量级判别器组成的BSNet双边监督网络。分割网络以ResNet – 34为编码器主干，接收图像输出分割概率图。构建混合训练批次，每批包含有标签和无标签图像。训练中，两个网络处理同一输入，交换伪标签进行双边监督，伪标签还输入判别器，判别与真实标签的分布差异，通过对抗损失优化伪标签质量。

验证阶段，把验证集输入两个网络，选网络A作为预测输出，用Dice、IoU等指标评估，判断实际分割效果。实际应用中，能看到模型对医学CT图像的分割结果，对比真实掩码，能直观感受模型的分割能力，为临床诊断提供辅助支持。

对比与优势：BSNet vs MT模型

对比均值教师（MT）模型，BSNet在准确性、召回率、F1分数、Dice系数、IoU、MAE等指标上表现更优。BSNet的双边监督与EMA策略，提高了模型的鲁棒性和准确性；而MT模型对教师模型依赖大，易出现性能瓶颈，生成可靠伪标签能力不足。在医学图像分割实际应用里，BSNet能更好地处理数据匮乏问题，为临床诊断提供更精准的图像分割结果，助力医生更准确地分析病情。

结语

从医学图像分割的数据困境出发，我们探索出BSNet模型这一解决方案，依托医学CT影像数据集，通过创新的模型结构和训练策略，在实际应用中展现出比传统MT模型更优的性能。这一过程，是从问题发现到技术突破，再到实际落地的完整实践。希望能给医学图像分析领域的同行、从业者带来启发，一起在利用AI技术助力医疗诊断的道路上，不断探索、进步，让更精准的医学图像分割技术，为临床诊断保驾护航。