Die Knappheit von Pixel-Level-Annotierungen ist ein weit verbreitetes Problem bei der Segmentierung medizinischer Bilder. In dieser Arbeit stellen wir eine neuartige Regularisierungsstrategie vor, die auf interpolationsbasierter Mischung für semi-überwachte medizinische Bildsegmentierung basiert. Die vorgeschlagene Methode ist eine spezielle Form der Konsistenzregularisierung, die die Segmentierung von Interpolationen zweier unannotierter Daten ermutigt, konsistent mit der Interpolation der Segmentationsskizzen dieser Daten zu sein. Diese Methode repräsentiert ein bestimmtes Paradigma datenangepasster Regularisierung, das dazu beiträgt, das Überanpassen an annotierte Daten bei hohen Konfidenzwerten zu minimieren. Im Vergleich zu adversären und generativen Modellen hat die vorgeschlagene Methode den Vorteil, dass sie keine zusätzlichen Berechnungen erfordert. Bei der Auswertung anhand zweier öffentlich zugänglicher MRI-Datensätze (ACDC und MMWHS) zeigen experimentelle Ergebnisse die Überlegenheit der vorgeschlagenen Methode im Vergleich zu bestehenden semi-überwachten Modellen. Der Quellcode ist unter folgendem Link verfügbar: https://github.com/hritam-98/ICT-MedSeg