Bei der semi-supervised medizinischen Bildsegmentierung bestehen empirische Verteilungsunterschiede zwischen gelabelten und ungelabelten Daten. Wird die Lerninformation aus den gelabelten Daten getrennt oder inkonsistent mit den ungelabelten Daten verarbeitet, kann ein erheblicher Teil der gelernten Kenntnisse verloren gehen. Wir schlagen eine einfache Methode zur Minderung dieses Problems vor: das bidirektionale Kopieren und Einfügen von gelabelten und ungelabelten Daten innerhalb eines einfachen Mean Teacher-Architekturansatzes. Diese Methode fördert, dass die ungelabelten Daten sowohl von den gelabelten Daten als auch umgekehrt umfassende gemeinsame Semantikinformationen aufnehmen, in beiden Richtungen. Vor allem ermöglicht der konsistente Lernprozess für gelabelte und ungelabelte Daten eine signifikante Reduktion der empirischen Verteilungslücke. Genauer gesagt kopieren und fügen wir jeweils einen zufällig ausgewählten Ausschnitt aus einem gelabelten Bild (als Vordergrund) auf ein ungelabeltes Bild (als Hintergrund) und umgekehrt, einen Ausschnitt aus einem ungelabelten Bild (Vordergrund) auf ein gelabeltes Bild (Hintergrund). Die beiden gemischten Bilder werden in ein Student-Netzwerk eingespeist und durch gemischte Überwachungssignale aus Pseudolabels und Ground-Truth gesteuert. Wir zeigen, dass die einfache Mechanik des bidirektionalen Kopierens und Einfügens zwischen gelabelten und ungelabelten Daten ausreichend ist, und die Experimente belegen deutliche Verbesserungen (z. B. über 21 % Steigerung des Dice-Scores auf dem ACDC-Datensatz mit nur 5 % gelabelten Daten) im Vergleich zu anderen State-of-the-Art-Methoden auf mehreren semi-supervised medizinischen Bildsegmentierungs-Datensätzen. Der Quellcode ist unter https://github.com/DeepMed-Lab-ECNU/BCP verfügbar.