Dans le cadre du segmentation d’images médicales semi-supervisée, des problèmes empiriques de désalignement entre les distributions des données étiquetées et non étiquetées persistent. Les connaissances apprises à partir des données étiquetées risquent d’être largement perdues si celles-ci sont traitées séparément ou de manière incohérente par rapport aux données non étiquetées. Nous proposons une méthode simple et efficace pour atténuer ce problème : une opération de copier-coller bidirectionnelle entre données étiquetées et non étiquetées, intégrée dans une architecture Mean Teacher élémentaire. Cette approche incite les données non étiquetées à acquérir des sémantiques communes riches à partir des données étiquetées, dans les deux sens (allant des données étiquetées vers les non étiquetées, et inversement). Plus important encore, le processus d’apprentissage cohérent appliqué aux deux types de données permet de réduire significativement l’écart empirique de distribution. Plus précisément, nous copions un agrandissement aléatoire d’une image étiquetée (objet) sur une image non étiquetée (fond), et inversement, nous copions une image non étiquetée (objet) sur une image étiquetée (fond). Les deux images mixtes ainsi obtenues sont ensuite passées dans un réseau « Élève » (Student), et supervisées par des signaux de supervision combinés provenant à la fois des pseudo-étiquettes et des vérités terrain. Nous démontrons que ce mécanisme simple de copier-coller bidirectionnel entre données étiquetées et non étiquetées s’avère largement suffisant, et les expérimentations montrent des améliorations solides (par exemple, une augmentation de plus de 21 % du score Dice sur le jeu de données ACDC avec seulement 5 % de données étiquetées) par rapport aux méthodes de pointe sur diverses bases de données de segmentation d’images médicales semi-supervisées. Le code source est disponible à l’adresse suivante : https://github.com/DeepMed-Lab-ECNU/BCP.