El aprendizaje semi-supervisado es una técnica que utiliza un conjunto limitado de datos etiquetados y una gran cantidad de datos no etiquetados para superar los desafíos de obtener un conjunto de datos perfecto en el aprendizaje profundo, especialmente en la segmentación de imágenes médicas. La precisión de las etiquetas predichas para los datos no etiquetados es un factor crítico que afecta el rendimiento del entrenamiento, reduciendo así la precisión de la segmentación. Para abordar este problema, se propuso un método de aprendizaje semi-supervisado basado en el marco Diff-CoGAN, que incorpora estrategias de co-entrenamiento y redes generativas adversariales (GAN). El marco Diff-CoGAN propuesto emplea dos generadores y un discriminador. Los generadores trabajan juntos proporcionando orientación de información mutua para producir mapas predichos que son más precisos y cercanos a la verdad fundamental. Para mejorar aún más la precisión de la segmentación, los mapas predichos se someten a una operación de intersección para identificar una región de interés de alta confianza, lo que reduce los errores de segmentación en los bordes. Los mapas predichos se alimentan luego al discriminador, y el proceso iterativo de entrenamiento adversarial mejora la capacidad de los generadores para generar mapas más precisos, al mismo tiempo que mejora la capacidad del discriminador para distinguir entre los mapas predichos y la verdad fundamental. Este estudio realizó experimentos con imágenes del Hipocampo y el Bazo del conjunto de datos Medical Segmentation Decathlon (MSD) utilizando tres métodos semi-supervisados: co-entrenamiento, semi-GAN y Diff-CoGAN. Los resultados experimentales demostraron que el enfoque Diff-CoGAN propuesto mejoró significativamente la precisión de la segmentación en comparación con los otros dos métodos al beneficiarse de la orientación mutua de los dos generadores y el entrenamiento adversarial entre los generadores y el discriminador. La introducción de la operación de intersección antes del discriminador también redujo aún más los errores de segmentación en los bordes.