深層学習モデルの訓練は、効果的な収束と汎化のために大量のアノテーション付きデータを一般的に必要とします。しかし、高品質なアノテーションを取得することは、専門の放射線技師が必要であるため、労力がかかるだけでなく費用も高いプロセスです。このため、医療画像解析における半教師あり学習（semi-supervised learning）の研究は非常に重要であり、非アノテーション付き画像を取得するコストは専門家によるラベリング済み画像を取得するよりもずっと低いからです。本論文では、自己教師あり平均教師法を用いた半教師あり学習（Self-supervised Mean Teacher for Semi-supervised, S$^2$2MTS$^2$2）を提案します。S$^2$2MTS$^2$2の主な革新点は、合同対照学習（joint contrastive learning）に基づく自己教師あり平均教師前処理で、無限数の正のクエリとキー特徴量ペアを使用して平均教師表現を改善します。その後、指数移動平均教師フレームワークを用いて半教師あり学習で訓練されたモデルに対して微調整を行います。我々はChest X-ray14とCheXpertからの多ラベル分類問題およびISIC2018からの多クラス分類問題においてS$^2$2MTS$^2$2を検証し、その性能が以前の最先端（State-of-the-Art, SOTA）半教師あり学習方法よりも大幅に優れていることを示しています。