의료 영상 분할은 제한된 주석 데이터, 복잡한 병변 경계, 그리고 의료 영상에 내재된 변동성으로 인해 어려운 과제이다. 이러한 도전 과제들은 임상 적용을 위해 정확하고 견고한 분할이 필수적이게 만든다. 본 연구에서는 피부 병변 분할을 위해 특별히 설계된 새로운 반지도 학습 프레임워크인 불확실성 유도 보조 Mean Teacher (Uncertainty-Driven Auxiliary Mean Teacher, UDAMT) 모델을 제안한다. 우리의 접근은 불확실성에 기반한 메커니즘을 활용하는 듀얼 헤드(dual-headed) 교사–학생(teacher–student) 아키텍처를 사용하여 특징 학습과 경계 정밀도를 향상시킨다. ISIC 2016, ISIC 2017, ISIC 2018 데이터셋에 대한 광범위한 실험 결과, UDAMT는 저라벨 설정(라벨 데이터 5%)에서 Dice 계수는 1.17 퍼센트 포인트, 평균 Intersection over Union(mIoU)은 1.31 퍼센트 포인트 향상되어 최신 기술 대비 유의미한 성능 개선을 달성함을 보여주었다. 또한 UDAMT는 12.9 M 파라미터를 필요로 하며, 이는 기준 모델(12.5 M)보다 약간 높지만 MT(14.8 M) 및 UAMT(15.2 M)보다 유의미하게 낮다. 이미지당 추론 시간은 25.7 ms로 계산 효율성을 보장한다. 제거 실험(ablations)은 각 구성 요소의 기여도를 검증하며, PH2 벤치마크에 대한 교차 데이터셋 평가는 작은 병변에 대한 견고성을 확인한다. 본 연구는 정확성, 효율성, 그리고 임상적 적용 가능성의 균형을 이루는 확장 가능하고 효율적인 반지도 의료 영상 분할 해결책을 제공한다.