La segmentación precisa de imágenes médicas es de gran importancia en muchas aplicaciones clínicas y generalmente se logra entrenando redes de aprendizaje profundo en un gran número de imágenes etiquetadas. Sin embargo, es muy difícil obtener suficientes imágenes etiquetadas. En este artículo, desarrollamos un nuevo método de segmentación semi-supervisado (llamado PE-MT) basado en el marco de maestro medio consciente de la incertidumbre (UA-MT) mediante la introducción de un promedio móvil exponencial mejorado por perturbación (pEMA) y un mapa de incertidumbre guiado por residuos (RUM) para mejorar el rendimiento de los modelos estudiante y maestro. El primero se utiliza para aliviar el efecto de acoplamiento entre los modelos estudiante y maestro en el UA-MT mediante la adición de diferentes perturbaciones de peso a ellos, y el último puede localizar con precisión regiones de imagen con alta incertidumbre a través de una fórmula cuantitativa única y luego resaltar estas regiones de manera efectiva en la segmentación de imágenes. Evaluamos el método desarrollado extrayendo cuatro regiones cardíacas diferentes de los conjuntos de datos públicos LASC y ACDC. Los resultados experimentales mostraron que nuestro método desarrollado logró un coeficiente de similitud de Dice promedio (DSC) de 0.6252 y 0.7836 para las cuatro regiones de objetos cuando se entrenó con un 5% y 10% de imágenes etiquetadas, respectivamente. Superó al UA-MT y puede competir con varios métodos de aprendizaje semi-supervisado existentes (por ejemplo, SASSNet y DTC).