深度卷积神经网络的成功部分归功于海量带注释的训练数据。然而在实践中，获取医疗数据注释通常非常昂贵且耗时。考虑到具有相同解剖结构的多模态数据在临床应用中广泛可用，在本文中，我们旨在利用从一种模态（又称辅助模态）学到的先验知识（例如形状先验）来提高另一种模态（又称目标模态）的分割性能，以弥补注释的稀缺性。为了缓解由模态特定外观差异引起的学习困难，我们首先提出一个图像对齐模块（IAM）来缩小辅助和目标模态数据之间的外观差距。然后，我们提出了一种新颖的相互知识蒸馏（MKD）方案，以充分利用模态共享知识来促进目标模态分割。具体来说，我们将我们的框架制定为两个独立分割器的集成。每个分割器不仅从相应的注释中显式提取一种模态知识，而且还以相互引导的方式从其对应部分中隐式探索另一种模态知识。两个分割器的集合将进一步整合来自两种模态的知识，并在目标模态上生成可靠的分割结果。在公共多类心脏分割数据（即 MM-WHS 2017）上的实验结果表明，我们的方法通过利用额外的 MRI 数据在 CT 分割方面取得了很大的改进，并且优于其他最先进的多模态学习方法。