في التجزئة الطبية شبه المراقبة، توجد مشكلة تناقض تجربية بين توزيع البيانات المُعلّمة وغير المُعلّمة. قد يتم التخلّي إلى حد كبير عن المعرفة المستمدة من البيانات المُعلّمة إذا تم التعامل مع البيانات المُعلّمة وغير المُعلّمة بشكل منفصل أو غير متسق. نقترح طريقة بسيطة لتخفيف هذه المشكلة: نسخ ولصق البيانات المُعلّمة وغير المُعلّمة بشكل ثنائي الاتجاه ضمن بنية بسيطة تُعرف بـ "معلم المتوسط" (Mean Teacher). تعزز هذه الطريقة تعلّم البيانات غير المُعلّمة لاستخلاص المعاني المشتركة الشاملة من البيانات المُعلّمة في كلا الاتجاهين (الداخلي والخارجي). وبشكل أكثر أهمية، فإن إجراء التعلّم المتسق للبيانات المُعلّمة وغير المُعلّمة يمكن أن يقلل إلى حد كبير من الفجوة التجريبية في التوزيع. بشكل مفصّل، نقوم بنسخ قطعة عشوائية من صورة مُعلّمة (الجسم المُستهدف) ووضعها على صورة غير مُعلّمة (الخلفية)، وكذلك نسخ قطعة من صورة غير مُعلّمة (الجسم المُستهدف) ووضعها على صورة مُعلّمة (الخلفية)، على التوالي. ثم تُدخل الصور المُختلطة إلى شبكة الطالب (Student network) وتُدرب باستخدام إشارات مراقبة مختلطة تتكوّن من التسميات الوهمية (pseudo-labels) والقيم الحقيقية (ground-truth). نُظهر أن آلية النسخ واللصق الثنائية بين البيانات المُعلّمة وغير المُعلّمة، رغم بساطتها، كافية جدًا، كما تُظهر التجارب تحسينات ملموسة (مثل تحسين بنسبة أكثر من 21% في معامل دايكس على مجموعة بيانات ACDC باستخدام 5% من البيانات المُعلّمة) مقارنةً بالأساليب الرائدة الأخرى على مختلف مجموعات بيانات التجزئة الطبية شبه المراقبة. يمكن الوصول إلى الكود عبر الرابط: https://github.com/DeepMed-Lab-ECNU/BCP