L'entraînement de modèles d'apprentissage profond nécessite généralement une grande quantité de données annotées pour une convergence et une généralisation efficaces. Cependant, l'obtention d'annotations de haute qualité est une tâche laborieuse et coûteuse en raison du besoin d'experts radiologues pour la tâche d'étiquetage. L'étude de l'apprentissage semi-supervisé dans l'analyse d'images médicales est donc d'une importance cruciale, étant donné qu'il est beaucoup moins cher d'obtenir des images non étiquetées que des images étiquetées par des experts radiologues. En substance, les méthodes semi-supervisées exploitent de grands ensembles de données non étiquetées pour permettre une meilleure convergence et une meilleure généralisation lors de l'entraînement que lorsque seules les petites séries de données étiquetées sont utilisées. Dans cet article, nous proposons l'apprentissage auto-supervisé Mean Teacher pour apprentissage semi-supervisé (S$^2$2MTS$^2$2), qui combine un pré-entraînement auto-supervisé Mean Teacher avec un affinage semi-supervisé. L'innovation principale de S$^2$2MTS$^2$2 réside dans le pré-entraînement auto-supervisé Mean Teacher basé sur l'apprentissage contrastif conjoint, qui utilise un nombre infini de paires de caractéristiques positives requêtes et clés pour améliorer la représentation Mean Teacher. Le modèle est ensuite affiné à l'aide du cadre du teacher à moyenne mobile exponentielle formé par apprentissage semi-supervisé. Nous validons S$^2$2MTS$^2$2 sur des problèmes de classification multi-étiquettes provenant de Chest X-ray14 et CheXpert, ainsi que sur des problèmes de classification multi-classes issus d'ISIC2018, où nous montrons qu'il surpasse largement les méthodes précédentes d'apprentissage semi-supervisé state-of-the-art (SOTA).