مشكلة شائعة في تقسيم الصور الطبية باستخدام الشبكات العصبية هي صعوبة الحصول على عدد كبير من البيانات المُعلّمة على مستوى البكسل لتدريب النموذج. لمعالجة هذه المشكلة، اقترحنا شبكة تقسيم شبه مُعلّمة تعتمد على التعلم التمييزي. على عكس الأداء الأفضل السابق، نُقدّم "تشابه أدنى-أعلى" (MMS)، وهي صيغة من صيغ التعلم التمييزي للتدريب ثنائي الرؤية، من خلال استخدام فُصّالات (classifiers) ومحولات (projectors) لبناء أزواج مميزة من جميع السالبات، وأزواج موجبة وسالبة على التوالي، وذلك لصياغة عملية التعلّم كحل لمشكلة MMS. تُستخدم أزواج جميع السالبات لمواكبة تعلّم الشبكة من رؤى مختلفة ولفهم السمات العامة، بينما تُقاس اتساق التنبؤات غير المُعلّمة من خلال خسارة التمييز على مستوى البكسل بين الأزواج الموجبة والسالبة. ولتقييم منهجنا بشكل كمي ونوعي، اختبرناه على أربع مجموعات بيانات عامة لتقسيم أدوات الجراحة المنظارية، بالإضافة إلى مجموعة بيانات لجراحة زرع القوقعة التي قمنا بتحديدها يدويًا. تُظهر النتائج أن المنهج المقترح يتفوّق باستمرار على الخوارزميات الحالية في التقسيم شبه المُعلّم والكلي المُعلّم. كما أن خوارزميتنا للتقسيم شبه المُعلّم قادرة على التعرف بنجاح على أدوات جراحية غير معروفة وتوفير تنبؤات جيدة. علاوةً على ذلك، يمكن لمنهجنا MMS تحقيق سرعة استدلال تصل إلى حوالي 40 إطارًا في الثانية (fps)، مما يجعله مناسبًا لمعالجة تقسيم الفيديو في الزمن الحقيقي.