Actualmente, aunque la segmentación de imágenes semisupervisada ha logrado un éxito significativo en muchos aspectos, es necesario mejorar aún más la precisión de la segmentación para aplicaciones prácticas. Además, hay menos redes específicamente diseñadas para segmentar imágenes 3D en comparación con las de imágenes 2D, y su rendimiento es notablemente inferior. Para mejorar la eficiencia del entrenamiento de la red, se han integrado varios mecanismos de atención en los modelos de red. Sin embargo, estas redes no han extraído de manera efectiva toda la información espacial o de canal útil. Especialmente para imágenes médicas 3D, que contienen una rica información espacial y de canal con relaciones estrechamente interconectadas entre ellas, queda una gran cantidad de información espacial y de canal específica esperando ser explorada y utilizada. Este documento propone una red paralela de atención bidireccional y eficiente (BEAP-Net). Específicamente, introducimos dos módulos: Atención Suprema de Canal (SCA) y Atención Espacial Paralela (PSA). Estos módulos tienen como objetivo extraer más información de características espaciales y de canal específicas y utilizarla de manera efectiva. Combinamos los principios de entrenamiento de consistencia y regularización de entropía para permitir el aprendizaje mutuo entre submodelos. Evaluamos el BEAP-Net propuesto en dos conjuntos de datos médicos 3D públicos, LA y Páncreas. La red supera al estado del arte actual en ocho algoritmos y es más adecuada para imágenes médicas 3D. Logra el nuevo mejor rendimiento de segmentación semisupervisado en la base de datos LA. Los estudios de ablación validan aún más la efectividad de cada componente del modelo propuesto. Además, los módulos SCA y PSA propuestos pueden integrarse fácilmente en otras redes de segmentación de imágenes médicas 3D para obtener ganancias significativas en el rendimiento.