L'apprentissage semi-supervisé (SSL) a récemment démontré un succès important dans la segmentation d'images médicales, améliorant significativement l'efficacité des données grâce à un nombre limité d'étiquetages. Toutefois, malgré ses bénéfices empiriques, des préoccupations subsistent dans la littérature concernant la fondation théorique et l'explication du SSL pour la segmentation d'images médicales. Pour explorer ce problème, cette étude propose tout d'abord un nouveau diagramme causal afin de fournir une base théorique aux méthodes dominantes de segmentation semi-supervisée. Ce diagramme causal prend en compte deux variables intermédiaires supplémentaires, négligées dans les travaux antérieurs. À partir de ce diagramme causal proposé, nous introduisons ensuite une approche SSL inspirée par la causalité, intégrée dans des cadres de co-entraînement, appelée CauSSL, afin d'améliorer le SSL pour la segmentation d'images médicales. Plus précisément, nous soulignons d'abord l'importance de l'indépendance algorithmique entre deux réseaux ou branches dans le SSL, un aspect souvent ignoré dans la littérature. Nous proposons ensuite une nouvelle quantification statistique de l'indépendance algorithmique, intrinsèquement non calculable, et renforçons cette indépendance via un processus d'optimisation min-max. Notre méthode peut être facilement intégrée à différentes méthodes SSL existantes afin d'améliorer leurs performances. Évaluée sur trois tâches exigeantes de segmentation d'images médicales utilisant à la fois des architectures 2D et 3D, notre méthode a montré des améliorations constantes par rapport aux méthodes de pointe. Le code source est disponible publiquement à l'adresse suivante : https://github.com/JuzhengMiao/CauSSL.