本研究提出了CCT-R框架，解决了半监督医学图像分割中利用有限标记数据和丰裕未标记数据的不足。该方法结合了配准信息，通过注册监督损失和增强正样本采样模块，使得模型在面对仅有一个标记案例时依然表现优越。

本研究提出了一种结合了CNN和Transformer的新型半监督医学图像分割框架，通过生成硬标和软标的互相监督，提高了分割精度。实验结果显示，该框架超越了现有的半监督分割方法，具有应用前景。

提出了一种新颖的双结构保持图像滤波（DSPIF）作为半监督医学图像分割的方法，通过保留拓扑关键结构来实现图像级变化。实验证明，该方法在半监督医学图像分割中具有显著优势。

提出了一种多样教学方法AD-MT，解决了半监督医学图像分割模型中的确认偏差问题。AD-MT包括学生模型和两个非可训练的教师模型，通过交替动量更新来促进教学多样性。实验证明AD-MT在各半监督设置下对2D和3D医学分割基准的有效性和优越性。