L'apprentissage semi-supervisé pour la segmentation d'images médicales présente un défi unique consistant à utiliser efficacement des données étiquetées limitées tout en tirant parti de données non étiquetées abondantes. Malgré les progrès réalisés, les méthodes existantes ne parviennent souvent pas à exploiter pleinement le potentiel des données non étiquetées pour améliorer la robustesse et la précision du modèle. Dans cet article, nous présentons CrossMatch, un cadre novateur qui intègre l'élaboration de connaissances (knowledge distillation) avec deux stratégies de perturbation - au niveau de l'image et au niveau des caractéristiques - afin d'améliorer l'apprentissage du modèle à partir des données étiquetées et non étiquetées. CrossMatch utilise plusieurs encodeurs et décodeurs pour générer des flux de données diversifiés, qui subissent une élaboration de connaissances auto-orientée pour renforcer la cohérence et la fiabilité des prédictions face à différentes perturbations. Notre méthode surpasse considérablement les autres techniques de pointe dans les benchmarks standards en minimisant efficacement l'écart entre l'entraînement sur des données étiquetées et non étiquetées, tout en améliorant la précision des contours et la généralisation dans la segmentation d'images médicales. L'efficacité de CrossMatch est démontrée par une validation expérimentale approfondie, montrant d'importantes améliorations des performances sans augmenter les coûts computationnels. Le code source de cette implémentation est disponible sur https://github.com/AiEson/CrossMatch.git.