医学图像分割的半监督学习提出了有效使用有限标记数据同时利用大量未标记数据的独特挑战。尽管取得了进步,但现有方法通常无法充分利用未标记数据的潜力来增强模型的稳健性和准确性。在本文中,我们介绍了 CrossMatch,这是一种新颖的框架,它将知识蒸馏与双重扰动策略、图像级和特征级相结合,以改善模型从标记和未标记数据中的学习。 CrossMatch 采用多个编码器和解码器来生成不同的数据流,这些数据流经过自我知识蒸馏,以增强跨各种扰动的预测的一致性和可靠性。我们的方法通过有效地最小化标记和未标记数据的训练之间的差距并提高医学图像分割的边缘准确性和泛化性,显着超越标准基准测试中的其他最先进的技术。 CrossMatch 的功效通过广泛的实验验证得到了证明,在不增加计算成本的情况下显示出显着的性能改进。此实现的代码可在 https://github.com/AiEson/CrossMatch.git 获取。