La tâche de classification des données radiographiques est un problème d'intérêt tant théorique que clinique. Bien que les méthodes d'apprentissage profond supervisé s'appuient sur de grandes quantités de données étiquetées, le problème crucial de l'obtention d'une bonne précision de classification avec une quantité extrêmement limitée de données étiquetées reste à être résolu. Dans ce travail, nous présentons un nouveau cadre semi-supervisé pour la classification radiographique basé sur un modèle d'optimisation graphique. À notre connaissance, c'est la première méthode qui exploite l'apprentissage semi-supervisé basé sur les graphes pour la classification des données radiographiques. De plus, nous introduisons une nouvelle fonctionnelle de classification multiclasses avec des a priori de classe soigneusement sélectionnés, permettant une solution régulière qui renforce la synergie entre le nombre limité d'étiquettes et la grande quantité de données non étiquetées. Nous démontrons, par une série d'expériences numériques et visuelles, que notre méthode produit des résultats très compétitifs sur l'ensemble de données ChestX-ray14 tout en réduisant considérablement le besoin de données annotées.