1.一种基于多教师网络和伪标签对比生成的医学图像分割方法，其特征在于，所述基于多教师网络和伪标签对比生成的医学图像分割方法，包括：获取医学图像，进行预处理生成训练数据集，训练数据集包括有标注的数据集和无标注的数据集；

采用有标注的数据集对构建的三个相同结构医学图像分割模型进行预训练；

对预训练好的三个医学图像分割模型，进行半监督训练，在每个半监督训练轮次中，从三个医学图像分割模型中选择一个模型作为学生模型，另外两个作为教师模型；

从训练数据集中采样有标注和无标注的数据让学生模型对无标注数据和有标注数据进行预测，而教师模型只对无标注数据进行预测；

对两个教师模型的预测结果进行对比分析，得到无标注数据伪标签和无标注数据置信度矩阵；

对于通过对比分析得到的无标注数据伪标签和无标注数据置信度矩阵，自适应地生成区域掩膜，分别进行自适应裁剪混合，更新无标注数据伪标签和无标注数据置信度矩阵；

计算有监督损失和无监督损失，并加权求和得到总体损失，进行反向传播更新学生模型的参数，并根据学生模型的参数，用指数滑动平均的方法更新教师模型的参数；

在训练好三个医学图像分割模型后，使用任一训练好的医学图像分割模型对待分割医学图像进行分割。

2.根据权利要求1所述的基于多教师网络和伪标签对比生成的医学图像分割方法，其特征在于，所述在每个半监督训练轮次中，从三个医学图像分割模型中选择一个模型作为学生模型，另外两个作为教师模型，包括：对第i个训练轮次来说，将编号i除3取余的模型作为学生模型，另外两个模型作为教师模型。

3.根据权利要求1所述的基于多教师网络和伪标签对比生成的医学图像分割方法，其特征在于，所述对两个教师模型的预测结果进行对比分析，得到无标注数据伪标签和无标注数据置信度矩阵，包括：将两个教师模型得到的预测结果按每个像素的值是否大于阈值区分为前景和背景，得到对应的初步伪标签；

将两个初步伪标签作交集，得到无标注数据伪标签；

计算出两个教师模型预测结果对应的初步置信度矩阵；

将无标注数据伪标签与两个教师模型的初步伪标签取交集，得到第一区域；将无标注数据伪标签与两个教师模型的初步伪标签取差集，得到第二区域；将其他区域作为第三区域，然后将三个区域的值合并，得到第三置信度矩阵；

将第三置信度矩阵，以及两个教师模型的初步置信度矩阵逐像素相乘，得到无标注数据置信度矩阵。

4.根据权利要求1所述的基于多教师网络和伪标签对比生成的医学图像分割方法，其特征在于，所述对于通过对比分析得到的无标注数据伪标签和无标注数据置信度矩阵，自适应地生成区域掩膜，分别进行自适应裁剪混合，更新无标注数据伪标签和无标注数据置信度矩阵，包括：将本轮次得到的每一个无标注数据伪标签作为待处理伪标签，为其确定一个不同的裁剪伪标签；

在待处理伪标签的几何范围内，生成随机区域；

计算裁剪伪标签在随机区域中置信度的平均值；

判断平均值是否小于阈值，如果是，则不进行混合，待处理伪标签保持不变，否则用裁剪伪标签中随机区域的内容替换待处理伪标签中随机区域的内容。

5.根据权利要求1所述的基于多教师网络和伪标签对比生成的医学图像分割方法，其特征在于，所述计算有监督损失和无监督损失，并加权求和得到总体损失，包括：根据学生模型对有标注数据的预测结果和标注，计算有监督损失；

根据学生模型对无标注数据的预测结果，以及教师模型对比分析得到的无标注数据伪标签和无标注数据置信度矩阵，计算无监督损失；

将有监督的损失和无监督的损失加权相加，得到总体损失。

6.根据权利要求5所述的基于多教师网络和伪标签对比生成的医学图像分割方法，其特征在于，所述有监督损失包括BCE损失和IoU损失。