Obwohl jüngste Arbeiten im Bereich des halbüberwachten Lernens (SemiSL) erhebliche Fortschritte bei der Segmentierung natürlicher Bilder erzielt haben, bleibt die Aufgabe der Lernung diskriminativer Darstellungen aus begrenzten Annotationen ein offenes Problem in der medizinischen Bildverarbeitung. Kontrastive Lernverfahren (CL) basieren auf der Idee der Ähnlichkeitsmessung, die für Klassifikationsaufgaben nützlich ist, gelingen jedoch nicht bei der Übertragung qualitativ hochwertiger Darstellungen für präzise pixelgenaue Segmentierungen. Um dieses Problem zu adressieren, stellen wir einen neuartigen, halbüberwachten, patchbasierten CL-Ansatz für die medizinische Bildsegmentierung vor, der keiner expliziten Vorlernaufgabe bedarf. Wir kombinieren die Stärken von CL und SemiSL: Die aus SemiSL generierten Pseudolabels unterstützen CL durch zusätzliche Orientierung, während die diskriminativen Klasseninformationen, die im CL erlernt werden, präzise Mehrklassen-Segmentierungen ermöglichen. Zudem führen wir eine neuartige Verlustfunktion ein, die synergistisch die Trennbarkeit zwischen Klassen und die Kompaktheit innerhalb von Klassen bei den gelernten Darstellungen fördert. Zur gezielten Auswahl von positiven und negativen Paaren im vorgeschlagenen CL-Framework wird eine neue inter-patch semantische Disparitätskarte basierend auf der durchschnittlichen Patch-Entropie eingesetzt. Experimentelle Analysen an drei öffentlich verfügbaren Datensätzen mehrerer Modalitäten belegen die Überlegenheit unseres Ansatzes gegenüber den aktuellen State-of-the-Art-Methoden. Der Quellcode ist unter folgender URL verfügbar: https://github.com/hritam-98/PatchCL-MedSeg.