최근 반감독 학습(Semi-supervised Learning, SemiSL) 분야의 연구들은 자연 이미지 분할에서 상당한 성과를 거두었지만, 제한된 레이블을 기반으로 구분 가능한 표현을 학습하는 문제는 의료 영상 분야에서 여전히 해결되지 않은 과제로 남아 있다. 대조 학습(Contrastive Learning, CL) 프레임워크는 분류 문제에 유용한 유사도 측정 개념을 활용하지만, 정확한 픽셀 단위 분할을 위한 고질적인 표현을 효과적으로 전이하지 못한다. 이를 해결하기 위해 본 연구에서는 명시적인 전처리 과제(pretext task) 없이 의료 영상 분할을 위한 새로운 반감독 패치 기반 대조 학습 프레임워크를 제안한다. 제안한 방법은 CL과 SemiSL의 장점을 융합하여, SemiSL에서 생성한 의사 레이블이 CL에 추가적인 안내를 제공함으로써 효과적인 학습을 유도하며, 동시에 CL이 학습한 구분 가능한 클래스 정보는 정확한 다중 클래스 분할을 가능하게 한다. 또한, 학습된 표현 간의 클래스 간 분리성과 클래스 내 밀집성을 동시에 강화하는 새로운 손실 함수를 제안한다. 제안된 CL 프레임워크에서는 평균 패치 엔트로피를 활용한 새로운 패치 간 의미적 차이 맵핑을 도입하여 긍정 및 부정 샘플의 안내적 샘플링을 수행한다. 다양한 모달리티를 가진 세 가지 공개 데이터셋에 대한 실험 분석 결과, 제안한 방법이 기존 최첨단 기법들에 비해 우수한 성능을 보임을 입증하였다. 코드는 다음 링크에서 공개되어 있다: https://github.com/hritam-98/PatchCL-MedSeg.