医用画像セグメンテーションは、コンピュータ支援診断において重要な役割を果たすが、高品質なピクセル単位のアノテーションデータを取得するには多大なコストがかかるため、実際の応用ではアノテーションが不足している状況が頻繁に発生する。従来の手法では、ごく少数のラベル付き画像から学習を開始し、同時にどの画像をアノテーションするか、そして残りの大量の未ラベルデータをどのように活用するかを決定する必要がある。能動学習（AL）と半教師あり学習（SSL）はそれぞれこれらの問題に対処するが、両者は独立に設計・最適化されることが多く、目的の不一致や訓練の不安定さを引き起こし、特に初期の「コールドスタート」段階で問題となる。
この課題を解決するために、複数の研究機関の研究者らはRegALを提案した。これは、共有のトポロジー認識パレート最適化を用いてサンプル取得と未ラベルデータ利用を密接に結合する、統一的な能動半教師ありフレームワークである。RegALは、ボクセル単位の不確実性、特徴の多様性、そして新しいトポロジー一貫性指標という3つの相補的な軸で各画像を評価する。これらの評価を通じて、解剖学的に情報価値の高いエッジケースをアノテーション用に選択し、同時に同じ基準を用いて幾何学的に安定したアトラス候補を特定し、微分同相レジストレーション誘導オーグメンテーションを実行して、自己教師ありのMean Teacherセグメンテーションネットワークを訓練する。
3つの公開医用画像データセット（脳腫瘍セグメンテーションのBraTS 2021、新生児脳セグメンテーションのdHCP、前立腺セグメンテーションのProstateX）での実験により、RegALの有効性が検証された。実験結果は、ごく少数の画像のみがラベル付けされている状況でも、RegALが安定した訓練を維持し、Dice係数や境界距離（ASD、HD95）などの指標において、最先端の能動学習、半教師あり学習、および能動半教師ありベースラインを一貫して上回ることを示している。この統一フレームワークは、初期訓練の不安定性を効果的に軽減し、低リソースシナリオにおける医用画像セグメンテーションの応用に新たな道を開くものである。関連論文は2026年7月にarXivプレプリントサーバーに提出された。