En el aprendizaje semi-supervisado (SSL) para la clasificación de imágenes médicas, el rendimiento del modelo suele verse obstaculizado por la escasez de datos etiquetados y la complejidad de los datos no etiquetados. Este artículo propone un enfoque SSL mejorado para abordar estos desafíos mediante la utilización efectiva de datos no etiquetados a través de una combinación de pseudoetiquetado y aprendizaje contrastivo. La principal contribución de nuestro método es la introducción de una estrategia de Reponderación Dinámica de Muestras para seleccionar muestras no etiquetadas confiables, mejorando así la utilización de datos no etiquetados por parte del modelo. Además, incorporamos múltiples estrategias de aumento de datos basadas en el modelo Mean Teacher (MT) para garantizar salidas consistentes en diferentes perturbaciones. Para capturar e integrar mejor las características multi-escala, proponemos una nueva red de fusión de características, la Red de Fusión de Características Multi-escala Médica (MedFuseNet), que mejora la capacidad del modelo para clasificar imágenes médicas complejas. Finalmente, introducimos una función de pérdida de aprendizaje contrastivo guiada por pseudoetiquetas (PGC) que mejora la compacidad intraclase y la separabilidad interclase de las representaciones de características del modelo. Experimentos exhaustivos en tres conjuntos de datos públicos de imágenes médicas demuestran que nuestro método supera a los enfoques SSL existentes, logrando una precisión del 93.16% en el conjunto de datos ISIC2018 utilizando solo un 20% de datos etiquetados, resaltando el potencial de nuestro enfoque para avanzar en la clasificación de imágenes médicas bajo supervisión limitada.