我们提出了一种基于不确定性引导的分层自训练框架，通过熵基于局部峰值滤波的高效主动样本选择来聚合全局不确定性和多样性感知的冗余滤波，在交叉中心前列腺MRI分割数据集上取得显著进展，与全监督学习相当。

该研究提出了一种基于不确定性引导的改进网络 (URN) 用于减轻生物医学图像中的干扰因素的影响，并构建了一个包含 1,290 张拼接图像的生物医学图像拼接检测数据集 (BioSp)。经过实验证明了该方法的优越性，并验证了 URN 的泛化性和抗后处理方法的鲁棒性。