La segmentación de imágenes médicas ha avanzado significativamente cuando hay una gran cantidad de datos etiquetados disponibles. Sin embargo, la anotación de conjuntos de datos de segmentación de imágenes médicas es costosa debido al requisito de habilidades profesionales. Además, las clases suelen estar distribuidas de manera desigual en las imágenes médicas, lo que afecta gravemente el rendimiento de la clasificación en las clases minoritarias. Para abordar estos problemas, este documento propone el Alineamiento de Co-Distribución (Co-DA) para la segmentación de imágenes médicas semi-supervisada. Específicamente, Co-DA alinea las predicciones marginales en datos no etiquetados con las predicciones marginales en datos etiquetados de manera clasificada con dos modelos inicializados de manera diferente antes de utilizar las pseudoetiquetas generadas por un modelo para supervisar al otro. Además, diseñamos una pérdida de entropía cruzada de sobreexpectación para filtrar los píxeles no etiquetados y reducir el ruido en sus pseudoetiquetas. Experimentos cuantitativos y cualitativos en tres conjuntos de datos públicos demuestran que el enfoque propuesto supera a los métodos de segmentación de imágenes médicas semi-supervisadas de vanguardia tanto en el conjunto de datos 2D CaDIS como en los conjuntos de datos 3D LGE-MRI y ACDC, logrando un mIoU de 0.8515 con solo el 24% de datos etiquetados en CaDIS, y una puntuación de Dice de 0.8824 y 0.8773 con solo el 20% de datos en LGE-MRI y ACDC, respectivamente.