La segmentación precisa de las diferentes regiones de la próstata es crucial en el diagnóstico y tratamiento de enfermedades relacionadas con la próstata. Sin embargo, la escasez de datos etiquetados de la próstata plantea un desafío para la segmentación precisa de sus diferentes regiones. Realizamos la segmentación de diferentes regiones de la próstata utilizando arquitecturas basadas en U-Net y Vision Transformer (ViT). Utilizamos cinco métodos de aprendizaje semi-supervisado, incluyendo minimización de entropía, seudovigilancia cruzada, maestro medio, maestro medio consciente de la incertidumbre (UAMT) y entrenamiento de consistencia de interpolación (ICT) para comparar los resultados con la red de segmentación semi-supervisada de próstata de vanguardia consciente de la incertidumbre en el aprendizaje temporal (UATS). El método UAMT mejora la precisión de la segmentación de la próstata y proporciona resultados estables en la segmentación de regiones de la próstata. ICT desempeña un papel más estable en los resultados de segmentación de regiones de la próstata, lo que brinda un fuerte apoyo para la tarea de segmentación de imágenes médicas y demuestra la robustez de U-Net para la segmentación de imágenes médicas. UATS sigue siendo más aplicable al esqueleto de U-Net y tiene un efecto muy significativo en la tasa de predicción positiva. Sin embargo, el rendimiento de ViT en combinación con la semi-supervisión aún requiere una optimización adicional. Este análisis comparativo aplica varios métodos de aprendizaje semi-supervisado a la segmentación zonal de la próstata. Guía los futuros desarrollos de segmentación de próstata y ofrece ideas sobre cómo utilizar datos etiquetados limitados en imágenes médicas.