Die semi-supervised medizinische Bildsegmentierung (SSMIS) hat das Potenzial gezeigt, das Problem begrenzter gelabelter medizinischer Daten zu mildern. Allerdings können Bestätigungs- und kognitive Verzerrungen die verbreiteten Lehrer-Schüler-basierten SSMIS-Methoden beeinträchtigen, da fehlerhafte Pseudolabels entstehen können. Um diese Herausforderung anzugehen, verbessern wir den Mean-Teacher-Ansatz und schlagen den Students Discrepancy-Informed Correction Learning (SDCL)-Rahmen vor, der zwei Schüler und einen nicht trainierbaren Lehrer umfasst. Dieser nutzt die Segmentierungsunterschiede zwischen den beiden Schülern, um das selbstkorrigierende Lernen zu leiten. Das Wesen von SDCL besteht darin, Bereiche mit Segmentierungsunterschieden als potenzielle Verzerrungsbereiche zu identifizieren und die Modelle dazu zu ermutigen, ihre korrekte Wahrnehmung in diesen Bereichen zu überprüfen und ihre eigenen Verzerrungen zu korrigieren. Um den Lernprozess der Verzerrungskorrektur durch kontinuierliche Überprüfung und Korrektur zu unterstützen, werden zwei Korrekturverlustfunktionen eingesetzt, die die Distanz korrekter Segmentierungsvoxels minimieren und die Entropie fehlerhafter Segmentierungsvoxels maximieren. Wir haben Experimente an drei öffentlichen medizinischen Bilddatensätzen durchgeführt: zwei 3D-Datensätze (CT und MRI) sowie ein 2D-Datensatz (MRI). Die Ergebnisse zeigen, dass unser SDCL die derzeitigen State-of-the-Art (SOTA)-Methoden hinsichtlich des Dice-Scores auf den Datensätzen Pancreas, LA und ACDC um 2,57 %, 3,04 % und 2,34 % übertrifft. Zudem ist die Genauigkeit unserer Methode auf dem ACDC-Datensatz der vollständig überwachten Methode sehr nahe gekommen und übertrifft diese sogar auf den Datensätzen Pancreas und LA. (Code unter \url{https://github.com/pascalcpp/SDCL} verfügbar).