La génération efficace de données étiquetées suffisantes reste un obstacle majeur dans l’apprentissage profond, en particulier pour les tâches de segmentation d’images, où l’étiquetage exige un temps et des efforts considérables. Cette étude aborde ce problème dans un environnement à ressources limitées, dépourvu de grands jeux de données ou de modèles préexistants. Nous proposons une nouvelle méthode, les Masques d’Incohérence (Inconsistency Masks, IM), qui filtre l’incertitude dans les paires image-étiquettes pseudo pour améliorer significativement la qualité de la segmentation, dépassant ainsi les techniques traditionnelles d’apprentissage semi-supervisé. Grâce à l’utilisation de IM, nous obtenons des résultats de segmentation performants avec seulement 10 % de données étiquetées, sur quatre jeux de données diversifiés, et ces résultats s’améliorent davantage lors de l’intégration avec d’autres méthodes, indiquant une large applicabilité. Notamment sur le jeu de données ISIC 2018, trois de nos approches hybrides surpassent même les modèles entraînés sur l’ensemble de données entièrement étiqueté. Nous présentons également une analyse comparative détaillée des stratégies d’apprentissage semi-supervisé courantes, toutes évaluées dans des conditions initiales uniformes, afin de souligner l’efficacité et la robustesse de notre approche. Le code complet est disponible à l’adresse suivante : https://github.com/MichaelVorndran/InconsistencyMasks