Bien que les travaux récents en apprentissage semi-supervisé (SemiSL) aient remporté un succès significatif dans la segmentation d’images naturelles, la tâche d’apprentissage de représentations discriminatives à partir d’étiquetages limités reste un problème ouvert dans le domaine des images médicales. Les cadres d’apprentissage contrastif (CL) reposent sur la notion de mesure de similarité, utile pour les problèmes de classification, mais ils échouent à transférer ces représentations de haute qualité vers une segmentation précise au niveau des pixels. À cet effet, nous proposons un nouveau cadre d’apprentissage contrastif basé sur des patches, en apprentissage semi-supervisé, dédié à la segmentation d’images médicales, sans recourir à aucune tâche prétexte explicite. Nous exploitons conjointement le pouvoir du CL et du SemiSL : les pseudo-étiquettes générées par le SemiSL apportent une guidance supplémentaire au CL, tandis que les informations de classe discriminatives apprises par le CL permettent d’obtenir une segmentation multi-classes précise. Par ailleurs, nous formulons une nouvelle fonction de perte qui encourage de manière synergique la séparabilité inter-classes et la compacité intra-classes des représentations apprises. Une nouvelle carte de disparité sémantique entre patches, fondée sur l’entropie moyenne des patches, est introduite afin de guider l’échantillonnage des positifs et des négatifs dans le cadre CL proposé. Une analyse expérimentale menée sur trois jeux de données publiques issus de modalités multiples démontre l’avantage de notre méthode par rapport aux approches de pointe. Le code est disponible à l’adresse suivante : https://github.com/hritam-98/PatchCL-MedSeg.