En raison des données déséquilibrées et limitées, les méthodes de segmentation d’images médicales semi-supervisées peinent souvent à obtenir de bons résultats pour certaines classes spécifiques mal représentées. Une formation insuffisante de ces classes particulières peut introduire davantage de bruit dans les pseudo-étiquettes générées, affectant ainsi l’apprentissage global. Pour atténuer ce défaut et identifier les classes sous-performantes, nous proposons de maintenir un tableau de confiance qui enregistre la performance par classe au cours de l’entraînement. Une fusion floue de ces scores de confiance est introduite afin de prioriser de manière adaptative les métriques individuelles de confiance pour chaque échantillon, contrairement aux approches d’ensemble traditionnelles qui attribuent des poids fixes prédéfinis à tous les cas de test. En outre, nous introduisons une méthode d’échantillonnage robuste par classe ainsi qu’une stabilisation dynamique, permettant une stratégie d’entraînement améliorée. Notre méthode prend en compte toutes les classes sous-performantes grâce à un pondération dynamique et vise à éliminer la majeure partie du bruit pendant l’entraînement. Évaluée sur deux jeux de données d’IRM cardiaque, ACDC et MMWHS, la méthode proposée démontre une efficacité et une généralisation remarquables, surpassant plusieurs méthodes de pointe présentes dans la littérature.