本研究提出了一种新的半监督分割框架HDC，旨在解决胎儿超声图像中颈部结构的精确分割问题。该方法通过层次蒸馏机制和一致性学习，在低对比度和模糊边界条件下有效提升特征学习。实验结果表明，HDC在超声数据集上的表现优于现有模型，且计算开销更低。

本研究提出了一种自适应增强一致性学习（AACL）的半监督分割框架，旨在解决遥感分割中高质量标记图像稀缺的问题。AACL通过均匀强度增强和自适应剪切混合技术，从未标记图像中提取额外信息，显著提高了遥感分割的准确性，特定类别性能提升20%，整体性能提升2%。

本研究提出了一种半监督分割框架，用于早产儿视网膜病（ROP）诊断中的眼底图像分割，减少对手动标注的依赖。该模型结合不确定性加权和领域对抗学习，有效识别难以检测的血管结构，提升了分割精度和ROP分类的诊断准确性，展示了在儿科眼科的临床应用潜力。

本文提出了一种基于师生模型的双不确定加权半监督分割方法，通过贝叶斯深度学习训练教师模型，将分割不确定性延伸到特征不确定性，并设计了可学习的不确定性一致性损失。实验证明该方法在医学数据集上优于现有方法。

本文提出了一种基于师生模型的双不确定加权半监督分割方法，通过贝叶斯深度学习训练教师模型，将分割不确定性延伸到特征不确定性，并设计了可学习的不确定性一致性损失。实验证明该方法在医学数据集上优于现有方法。

本文提出了一种基于师生模型的双不确定加权半监督分割方法，使用贝叶斯深度学习训练教师模型，设计了可学习的不确定性一致性损失以在预测和不确定性之间以交互方式进行无监督学习。实验结果表明，该方法在两个公共医学数据集上优于现有的基于不确定性的半监督方法。