医療画像のセグメンテーションは臨床的に重要ですが、データのプライバシーや専門家の注釈コストによってラベル付きデータの入手が制限されています。フェデレーテッド半教師あり学習（FSSL）はこの問題に対する解決策ですが、ローカルモデルの強度に依存する擬似ラベルの信頼性と、クライアントデバイスの計算リソース制約が課題となります。これにより、擬似ラベルの品質と安定性が低下します。本研究では、軽量クライアントをトレーニング中にガイドするために高キャパシティなセグメンテーション基盤モデルを活用したSAM-Fedを提案します。SAM-Fedは二重知識蒸留と適応合意メカニズムを組み合わせ、ピクセルレベルの監視を洗練させます。皮膚病変とポリープセグメンテーションの実験において、SAM-Fedは従来の最先端FSSL手法を一貫して上回る結果を示しました。