Semi-supervised Learning für die Segmentierung medizinischer Bilder stellt die einzigartige Herausforderung dar, begrenzt beschriftete Daten effizient zu nutzen, während gleichzeitig reichlich vorhandene unbeschriftete Daten genutzt werden. Trotz der Fortschritte bei bestehenden Methoden wird das Potenzial der unbeschrifteten Daten oft nicht vollständig ausgeschöpft, um die Robustheit und Genauigkeit des Modells zu verbessern. In dieser Arbeit stellen wir CrossMatch vor, einen neuen Ansatz, der Wissensdistillierung mit dualen Störstrategien – auf Bild- und Merkmalsniveau – kombiniert, um das Lernen des Modells von beschrifteten und unbeschrifteten Daten zu verbessern. CrossMatch verwendet mehrere Encoder und Decoder, um vielfältige Datensignale zu erzeugen, die durch Selbst-Wissensdistillierung konsistenter und verlässlicher gemacht werden, was die Vorhersagequalität bei verschiedenen Störungen erhöht. Unsere Methode übertrifft andere state-of-the-art-Techniken in Standard-Benchmarks erheblich, indem sie den Unterschied zwischen dem Training mit beschrifteten und unbeschrifteten Daten effektiv minimiert und die Kantenakkuratesse sowie die Generalisierungsfähigkeit bei der Segmentierung medizinischer Bilder verbessert. Die Effektivität von CrossMatch wird durch umfangreiche experimentelle Validierungen demonstriert, die beachtliche Leistungsverbesserungen ohne Erhöhung der Rechenkosten zeigen. Der Code für diese Implementierung ist unter https://github.com/AiEson/CrossMatch.git verfügbar.