脑部病变的自动分割为脑卒中患者的及时诊治和诊疗方案的制定提供了可靠的依据,但获取大规模标记数据昂贵且耗时。半监督学习(SSL)方法通过利用大量的未标记图像和有限的标记图像缓解这一问题。针对SSL中伪标签存在噪声,以及现有的三维(3D)网络缺乏聚焦较小目标的能力这2个问题,提出一种半监督方法,即用于脑卒中病灶分割的具有注意力机制的校正交叉伪监督方法RPE-CPS(Rectified Cross Pseudo Supervision with Project & Excite modules)。首先,将数据输入2个结构相同但初始化不同的3D U-Net分割网络,将得到的伪分割图用于交叉监督训练分割网络,充分利用伪标签数据扩展训练集,并鼓励不同初始化网络对同一输入图像的预测之间具有较高的相似性;其次,设计一种基于不确定性估计的交叉伪监督方法的校正策略,以降低伪标签中的噪声影响;最后,在3D U-Net分割网络中,为提高小目标类的分割性能,将投影-激发(PE)模块添加至每一个编码器模块、解码器模块和瓶颈模块之后。为验证所提方法的有效性,在合作医院急性缺血性脑卒中(AIS)数据集和缺血性脑卒中病灶分割挑战赛(ISLES2022)数据集上分别进行评估实验。实验结果表明,在仅使用训练集中20%的标记数据时,在公开数据集ISLES2022上Dice相似系数(DSC)、95%豪斯多夫距离(HD95)和平均表面距离(ASD)分别达到了73.87%、6.08 mm和1.31 mm;在AIS数据集上DSC、HD95和ASD分别达到了67.74%、15.38 mm和1.05 mm。与先进的半监督方法不确定性校正金字塔(URPC)相比,DSC分别提升了2.19和3.43个百分点。所提方法可以有效地利用未标记数据提高分割精度,优于其他半监督方法,并具有鲁棒性。