أظهرت تقنية التجزئة الطبية شبه المراقبة (SSMIS) الإمكانات الكامنة في التخفيف من مشكلة نقص البيانات المُعلَّمة في المجال الطبي. ومع ذلك، قد تؤثر أخطاء التصنيف التلقائي (pseudo-labels) على الطرق الشائعة القائمة على نموذج المعلم والطالب، مما يؤدي إلى تحيزات تأكيدية وتأملية. لمعالجة هذه التحديات، قمنا بتحسين نهج المعلم المتوسط (Mean Teacher) واقترحنا إطار عمل يُسمى التعلم المصحَّح المستند إلى التباين بين الطلاب (SDCL)، والذي يتضمن طالبين ونموذج معلم غير قابل للتدريب. يستخدم هذا الإطار الفرق في التجزئة بين الطالبين لتوجيه عملية التعلم الذاتي المصحَّح. وجوهر إطار SDCL يتمثل في تحديد مناطق التباين في التجزئة على أنها مناطق محتملة للتحيز، ثم تشجيع النموذج على مراجعة المعرفة الصحيحة وإصلاح التحيزات الخاصة به في هذه المناطق. ولتمكين عملية تصحيح التحيز من خلال مراجعة مستمرة وإصلاح متواصل، تم استخدام دالتين لتصحيح الخطأ بهدف تقليل المسافة بين البكسلات المُجزَّأة بشكل صحيح، وزيادة إنتروبيا البكسلات المُجزَّأة بشكل خاطئ. أجرينا تجارب على ثلاث مجموعات بيانات طبية عامة: مجموعتان ثلاثيتان الأبعاد (CT وMRI) وواحدة ثنائية الأبعاد (MRI). أظهرت النتائج أن إطارنا SDCL يتفوق على أحدث الطرق المتطورة (SOTA) بنسبة 2.57% و3.04% و2.34% على التوالي في مقياس دايك (Dice score) على مجموعات البيانات Pancreas وLA وACDC. بالإضافة إلى ذلك، تقترب دقة طريقة لدينا من أداء النموذج المدرب بالكامل على مجموعة بيانات ACDC، بل تفوقه في بعض الأحيان على مجموعتي Pancreas وLA. (الكود متاح على: \url{https://github.com/pascalcpp/SDCL}).