Les études sur la segmentation d’images médicales semi-supervisées ont montré un potentiel prometteur pour former des modèles avec une quantité limitée de données étiquetées. Toutefois, les approches dominantes actuelles basées sur le cadre enseignant-étudiant souffrent souvent du biais de confirmation. Pour relever ce défi, nous proposons AD-MT, une méthode d’enseignement alterné et diversifié dans un cadre enseignant-étudiant. Elle repose sur un seul modèle étudiant et deux modèles enseignants non entraînables, mis à jour périodiquement et aléatoirement de manière alternée. Pour atténuer le biais de confirmation provenant de la supervision diversifiée, le cœur d’AD-MT réside dans deux modules proposés : le module de mise à jour aléatoire et périodique (RPA) et le module de lutte contre les conflits (CCM). Le module RPA orchestre le processus alterné de mise à jour diversifiée à l’aide de lots de données complémentaires, d’augmentations de données distinctes et de périodes de commutation aléatoires, afin d’encourager une raisonement diversifié issu de différentes perspectives d’enseignement. Le module CCM met en œuvre une stratégie d’ensemblage fondée sur l’entropie pour inciter le modèle à apprendre à la fois des prédictions cohérentes et des prédictions en conflit entre les enseignants. Les résultats expérimentaux démontrent l’efficacité et l’avantage de notre méthode AD-MT sur des benchmarks de segmentation médicale 2D et 3D dans diverses configurations semi-supervisées.