統一主動學習與半監督學習的醫學圖像分割

醫學圖像分割是計算機輔助診斷中的關鍵任務，然而獲取高質量的像素級標註數據成本高昂，導致在實際應用中常常面臨標註稀缺的問題。傳統方法通常從極少量標註圖像開始訓練，同時需要決定哪些圖像應該標註以及如何利用大量未標註數據。主動學習和半監督學習分別針對這些問題，但兩者往往被獨立設計和優化，導致目標不匹配和訓練不穩定，特別是在早期的“冷啓動”階段。

為了解決這一挑戰，來自多個機構的研究人員提出了RegAL——一個統一的主動半監督學習框架。RegAL的核心創新在於使用共享的拓撲感知帕累託優化，將樣本獲取和未標註數據利用緊密耦合。該框架從三個互補的角度評估每幅圖像：體素級的不確定性、特徵的多樣性以及一種新穎的拓撲一致性指標。通過這些評估，RegAL能夠選擇出解剖信息豐富的邊緣案例進行標註，同時利用相同的標準識別幾何穩定的圖譜候選，進行微分同胚配準引導的數據增強，從而訓練一個自監督的Mean Teacher分割網絡。

在三個公開醫學圖像數據集上的實驗驗證了RegAL的有效性。這些數據集包括腦腫瘤分割BraTS 2021、新生兒大腦分割dHCP和前列腺分割ProstateX。實驗結果表明，即使在只標註少量圖像的情況下，RegAL也能保持穩定的訓練過程，並在Dice係數和邊界距離（ASD和HD95）等指標上，一致性地超越了當前最先進的主動學習、半監督學習以及主動半監督基線方法。這一統一的框架有效緩解了早期訓練的不穩定性，為醫學圖像分割在低資源場景下的應用開闢了新的途徑。該研究的相關論文已於2026年7月提交至arXiv預印本平台。