文中提出了一种肝脏在CT（Computed Tomography）图像中的半监督自动分割方法。该方法采用深度协同训练模型以解决医学图像领域中有标签数据获取困难且成本高的问题。首先利用有标签数据建立U-Net和2D V-Net两种分割网络，并分别对无标签数据进行分割，然后对分割结果进行粗略挑选，再进行精细挑选，最后将置信度较高的伪标签加入到训练集中，重复此过程直到对验证集分割结果的Dice值不再增大时为止。提出的方法可以减少迭代过程中累积的误差，在2017 Liver Tumor Segmentation（LiTS）数据集上的结果表明，该方法与全监督学习相比可以有效提高分割精度。

利用未标记示例的主流学习技术主要有三大类[Zhou06]，即半监督学习（semi-supervised learning）、直推学习（transductive learning）和主动学习（active learning）

在传统的监督学习中，学习器通过对大量有标记的（labeled）训练例进行学习，从而建立模型用于预测未见示例的标记。

一个协同训练的小小的仿真，半监督学习算法，最初的协同训练算法(或称为标准协同训练算法)是A. Blum和T. Mitchell [BlumM98] 在 1998年提出的