التعلم شبه المشرف على تقسيم الصور الطبية يمثل تحديًا فريدًا يتمثل في استخدام البيانات المصنفة بشكل فعال مع الاستفادة من كمية كبيرة من البيانات غير المصنفة. رغم التقدم الحاصل، غالبًا ما لا تتمكن الطرق الحالية من استغلال إمكانات البيانات غير المصنفة بشكل كامل لتعزيز متانة النموذج ودقة نتائجه. في هذا البحث، نقدم CrossMatch، إطار عمل جديد يدمج تقنية التعلم بالتبخير (knowledge distillation) مع استراتيجيات الإرباك الثنائية - على مستوى الصورة وعلى مستوى الخصائص - لتحسين تعلم النموذج من البيانات المصنفة وغير المصنفة. يستخدم CrossMatch عدة مُشفِّرات ومُفكِّكات لإنتاج تيارات بيانات متنوعة، والتي تخضع للتعلم الذاتي بالتبخير لتعزيز اتساق وتَوَكُّل التوقعات عبر الإرباك المختلف. طريقتنا تتفوق بشكل كبير على التقنيات الرائدة الأخرى في المقاييس القياسية من خلال تقليل الفجوة بين التدريب على البيانات المصنفة والغير مصنفة وتحسين دقة الحواف والعمومية في تقسيم الصور الطبية. يتم إثبات فعالية CrossMatch من خلال التحقق التجريبي الواسع، مما يظهر تحسينات أداء ملحوظة دون زيادة التكاليف الحسابية. يمكن الوصول إلى الكود المستخدم في هذه التنفيذية عبر الرابط: https://github.com/AiEson/CrossMatch.git.