Antecedentes: Las tareas de procesamiento de imágenes médicas representadas por la segmentación de múltiples objetos son de gran importancia para la planificación quirúrgica, la cirugía asistida por robot y la seguridad quirúrgica. Sin embargo, el contraste excepcionalmente bajo entre los tejidos y la disponibilidad limitada de datos anotados dificultan el desarrollo de un algoritmo de segmentación automática para la TC pélvica. Métodos: Se propone un modelo de consistencia de doble tarea con restricción bidireccional llamado PICT para mejorar la calidad de la segmentación aprovechando datos no etiquetados gratuitos. En primer lugar, para aprender más características de datos no marcados, se fomenta que la predicción del modelo de la imagen interpolada sea consistente con la interpolación de la predicción del modelo a nivel de píxel, modelo y datos. Además, para limitar el error de predicción de la interferencia de interpolación, PICT diseña una tarea de pseudo-supervisión auxiliar que se centra en la información subyacente de los datos no interpolados. Finalmente, se diseña un algoritmo de pérdida efectivo para ambas tareas de consistencia para garantizar la manera complementaria y producir predicciones más fiables. Resultados: Los experimentos cuantitativos muestran que el PICT propuesto logra un puntaje medio de DSC del 87,18%, 96,42% y 79,41% en ACDC, CTPelvic1k y el conjunto de datos individual de Multi-tissue Pelvis con ganancias de alrededor del 0,8%, 0,5% y 1% en comparación con el método semisupervisado más avanzado. En comparación con el método supervisado de referencia, el PICT aporta mejoras de más del 3-9%. Conclusiones: El modelo PICT desarrollado puede aprovechar de manera efectiva los datos no etiquetados para mejorar la calidad de la segmentación de imágenes médicas de bajo contraste. El resultado de la segmentación podría mejorar la precisión de la planificación de la ruta quirúrgica y proporcionar información para la cirugía asistida por robot.