Semi-supervised Studien zur medizinischen Bildsegmentierung haben vielversprechende Ergebnisse bei der Modelltrainierung mit begrenzten gelabelten Daten gezeigt. Allerdings können aktuelle dominierende Ansätze auf Basis eines Lehrer-Schüler-Paradigmas unter dem Problem der Bestätigungsverzerrung leiden. Um dieser Herausforderung zu begegnen, stellen wir AD-MT vor – einen alternierenden diversen Lehransatz innerhalb eines Lehrer-Schüler-Frameworks. Dabei wird ein einzelnes Schülermodell verwendet, das von zwei nicht trainierbaren Lehrermodellen unterstützt wird, die periodisch und zufällig abwechselnd mittels Momentum-Update aktualisiert werden. Um die Bestätigungsverzerrung durch die vielfältige Supervision zu verringern, beruht der Kern von AD-MT auf zwei vorgeschlagenen Modulen: dem Random Periodic Alternate (RPA)-Aktualisierungsmodul und dem Conflict-Combating-Modul (CCM). Das RPA-Modul steuert den alternierenden Prozess der vielfältigen Aktualisierung durch komplementäre Datensätze, unterschiedliche Daten-Augmentierungen und zufällige Schaltperioden, um eine vielfältige Schlussfolgerung aus unterschiedlichen Lehrperspektiven zu fördern. Das CCM nutzt eine auf Entropie basierende Ensembles-Strategie, um das Modell zu ermutigen, sowohl aus konsistenten als auch aus widersprüchlichen Vorhersagen der Lehrer zu lernen. Experimentelle Ergebnisse belegen die Wirksamkeit und Überlegenheit unseres AD-MT-Ansatzes auf 2D- und 3D-medizinischen Segmentierungsbenchmarks unter verschiedenen semi-supervised Szenarien.