우리는 태아 심장 초음파 이미지의 공동 분할 (Segmentation) 및 분류 (Classification)를 위한 반지도 학습 (Semi-supervised) 프레임워크를 제시합니다. EchoCare 멀티태스크 백본 (Multi-task backbone)을 기반으로 구축된 우리의 방법은 경계 정밀화 (Boundary refinement)를 위해 SAM-Med2D를 통합하고, 의사 라벨 (Pseudo-label) 품질을 향상시키기 위해 DINOv3를 활용합니다. 우리는 뷰 특화 하드 마스킹 (View-specific hard masking)과 함께 2단계 최적화 전략을 도입합니다. 이 전략은 분할 능력을 공고히 하기 위한 EMA 단계와, 분할 성능의 이점을 해치지 않으면서 분류 성능을 회복하기 위해 분할 파라미터를 동결하고 분류 헤드 (Classification head)를 재설정하는 분류 미세 조정 (Classification Fine-Tuning) 단계로 구성됩니다. FETUS 2026 리더보드에서 평가한 결과, 우리의 방법은 Dice 유사도 계수 (Dice Similarity Coefficient) 79.99%, 정규화된 표면 거리 (Normalized Surface Distance) 61.62%, 그리고 F1-score 41.20%를 달성하여 태아 선천성 심장 질환 선별을 위한 우리 접근 방식의 효과를 입증했습니다. 소스 코드는 다음에서 공개적으로 사용할 수 있습니다: https://github.com/2826056177/zcst_fetus2026.