医学图像分割是计算机辅助诊断中的关键任务，然而获取高质量的像素级标注数据成本高昂，导致在实际应用中常常面临标注稀缺的问题。传统方法通常从极少量标注图像开始训练，同时需要决定哪些图像应该标注以及如何利用大量未标注数据。主动学习和半监督学习分别针对这些问题，但两者往往被独立设计和优化，导致目标不匹配和训练不稳定，特别是在早期的“冷启动”阶段。
为了解决这一挑战，来自多个机构的研究人员提出了RegAL——一个统一的主动半监督学习框架。RegAL的核心创新在于使用共享的拓扑感知帕累托优化，将样本获取和未标注数据利用紧密耦合。该框架从三个互补的角度评估每幅图像：体素级的不确定性、特征的多样性以及一种新颖的拓扑一致性指标。通过这些评估，RegAL能够选择出解剖信息丰富的边缘案例进行标注，同时利用相同的标准识别几何稳定的图谱候选，进行微分同胚配准引导的数据增强，从而训练一个自监督的Mean Teacher分割网络。
在三个公开医学图像数据集上的实验验证了RegAL的有效性。这些数据集包括脑肿瘤分割BraTS 2021、新生儿大脑分割dHCP和前列腺分割ProstateX。实验结果表明，即使在只标注少量图像的情况下，RegAL也能保持稳定的训练过程，并在Dice系数和边界距离（ASD和HD95）等指标上，一致性地超越了当前最先进的主动学习、半监督学习以及主动半监督基线方法。这一统一的框架有效缓解了早期训练的不稳定性，为医学图像分割在低资源场景下的应用开辟了新的途径。该研究的相关论文已于2026年7月提交至arXiv预印本平台。