췌장암 진단, 수술 및 치료 계획에서의 췌장 형태 파악을 위해 복부 CT 영상에서 췌장을 정확하게 분할하는 것이 필요하다. 하지만 복부 CT 영상에서 췌장은 주변 장기와의 밝기의 차이가 적고, 환자 내부 및 환자 간의 위치와 형태가 다양하기 때문에 자동으로 분할하는 것에 한계가 있다. 이러한 췌장의 특성은 췌장의 레이블링을 생성하는 데에 전문지식과 많은 시간을 필요로 한다. 따라서, 본 연구는 준지도 학습을 통해 레이블링이 없는 데이터에서 추출한 정보를 학습에 활용하여 부족한 레이블링의 개수를 보완하고, 췌장의 불확실성을 고려하여 네트워크의 신뢰도를 향상시키는 것을 목표로 한다. 제안 방법은 학생 모델과 교사 모델로 구성된 평균-교사 프레임워크에 분할 작업과 회귀 작업을 고려한 다중 작업 학습으로 모델 간 일관성과 작업 간 일관성 정보를 추출하여 췌장 분할에 레이블링이 없는 데이터의 정보를 효과적으로 활용한다. 교사 모델의 분할 작업에서 췌장 불확실성을 고려한 다중 스케일 기반의 예측 네트워크는 학생 모델이 높은 신뢰도를 가지는 정보를 기반으로 학습을 진행하도록 유도한다. 본 연구에서는 NIH 췌장 CT 데이터 세트에서 최근의 준지도 학습 방법과 비교하여 향상된 결과를 보여줌으로써 제안한 방법의 효과를 입증하였다.