医療画像セグメンテーションにおける半教師あり学習は、限られた教師ありデータを効率的に利用しながら、豊富な教師なしデータを活用するという独自の課題を呈しています。進歩は見られていますが、既存の手法はしばしば教師なしデータの潜在的な能力を十分に引き出すことができず、モデルの堅牢性や精度の向上に寄与していないことがあります。本論文では、CrossMatchと呼ばれる新しいフレームワークを提案します。このフレームワークは、知識蒸留（knowledge distillation）と双方向の摂動戦略（dual perturbation strategies）— 画像レベルと特徴レベル — を統合して、教師ありデータと教師なしデータからモデルの学習を改善することを目指しています。CrossMatchは複数のエンコーダーとデコーダーを使用して多様なデータストリームを生成し、自己知識蒸留を通じて異なる摂動間での予測の一貫性と信頼性を高めます。当手法は標準的なベンチマークにおいて他の最先端技術を大幅に上回り、教師ありデータと教師なしデータ間のギャップを効果的に最小化するとともに、医療画像セグメンテーションにおけるエッジ精度と汎化性能を向上させています。CrossMatchの有効性は広範な実験検証を通じて示されており、計算コストを増加させることなく著しい性能向上が確認されています。本実装に関するコードは https://github.com/AiEson/CrossMatch.git で公開されています。