在临床应用中,从医学图像里面精准分割出器官或病变区域对于医生的诊断十分重要。随着基于卷积神经网络（CNN）或视觉Transformer进行医学分割的方法出现,使用人工智能算法进行辅助诊断和快速制定治疗计划方面已有较为完善的落地应用。然而,很多医学分割算法都依赖于大量的标注数据。就数据标注而言,图像语义分割的标注是最昂贵的任务之一。在医学图像分割任务中,这通常需要密集的像素/体素标记,并且借助于医生的专业知识,标注的人工成本和时间成本都很高。在这种情况下,半监督医学分割算法成为了一个有效的解决方法,它可以充分利用未标注的数据,并且部分算法效果能媲美监督学习算法,从而大大降低标注成本。我们对少标签情况下的医学图像分割技术进行了研究,提出了一种强大的半监督医学图像分割网络,基于CT以及MRI医学影像数据进行实验和探究,并且将算法模型真正应用到了边缘计算设备Jetson Nano上,本文的主要研究内容和创新点包含以下三点:（1）提出了基于多重不确定性的半监督语义分割算法SemiMixTransformer-UNet,该算法融合了Transformer和CNN的优势,并且结合域自适应及不确定性估计等方法对医学影像进行准确分割,在ACDC心脏自动诊断和Synapse腹部多器官数据集上达到了行业最佳结果。（2）以少标签,轻量化为切入点,设计了一种多层Dropout轻量级卷积图像分割网络UnetTiny。为了进一步提升小样本半监督训练下模型的精度以及使模型更加轻量化,我们提出了一种基于交叉知识蒸馏的半监督医学分割算法SemiMixTransformer-UNet-Distllation,该算法提升了模型精度的同时,还减小了模型体积,加快了模型的推理速度。（3）基于上述算法的研究,我们设计并实现了基于半监督的医学辅助诊断系统,并且实现了TensorRT模型加速,将算法模型应用到了边缘设备Jetson Nano上,可以进行实时辅助诊断,实现了算法真正的工程化落地。基于以上方法,我们通过公开的自动心脏诊断数据集ACDC以及腹部多器官数据集Synapse进行了实验分析。在ACDC上的实验结果表明,本算法在45%的数据情况下达到了0.914的平均Dice Cofficient,优于监督学习算法SwinUNet等网络全量数据训练结果,并且超过了目前基本所有的半监督学习算法。我们仅用7%的训练数据达到了0.885的平均Dice Cofficient,达到了行业领先水平,同时我们在Synapse数据集上的结果也优于其他半监督学习算法。