Die effiziente Erzeugung ausreichend gelabelter Daten bleibt eine zentrale Herausforderung im Bereich des Deep Learning, insbesondere bei Aufgaben der Bildsegmentierung, bei denen die Annotation erheblichen Zeitaufwand erfordert. Diese Studie adressiert dieses Problem in einer ressourcenbeschränkten Umgebung ohne Zugang zu umfangreichen Datensätzen oder vorab trainierten Modellen. Wir stellen Inconsistency Masks (IM) vor, einen neuartigen Ansatz, der Unsicherheiten in Paaren aus Bildern und Pseudolabels filtert, um die Segmentierqualität erheblich zu verbessern und traditionelle semi-supervised Learning-Techniken zu übertreffen. Mit der Verwendung von IM erreichen wir starke Segmentierungsergebnisse bereits mit lediglich 10 % gelabelten Daten, über vier unterschiedliche Datensätze hinweg, und zeigen zudem, dass die Methode durch Integration mit anderen Techniken weiter verbessert werden kann, was ihre breite Anwendbarkeit unterstreicht. Besonders hervorzuheben ist, dass drei unserer hybriden Ansätze auf dem ISIC-2018-Datensatz sogar Modelle übertrifft, die auf dem vollständig gelabelten Datensatz trainiert wurden. Zudem präsentieren wir eine detaillierte vergleichende Analyse gängiger semi-supervised Learning-Strategien unter einheitlichen Ausgangsbedingungen, um die Wirksamkeit und Robustheit unseres Ansatzes klar zu unterstreichen. Der vollständige Quellcode ist verfügbar unter: https://github.com/MichaelVorndran/InconsistencyMasks