生物医学画像のセグメンテーションは、構造の正確な描写とその後の分析において重要です。従来の手法はノイズの多いデータに苦しむことが多いですが、深層学習モデル（特にU-Net）は新たな基準を設けています。しかし、これらのモデルは大量の注釈データを必要とし、ラベルなしの生データのみでは課題が残ります。本研究は、能動学習と擬似ラベル付けを活用し、従来の神経ネットワークと大規模モデルの利点を結びつけるデータ中心のAIワークフローを提案しています。このパイプラインは、基盤モデルから擬似ラベルを生成し、それを使用してnnU-Netの自己構成を行います。その後、最小限の手動注釈のための代表的なコアセットが選定され、効果的なファインチューニングが可能になります。この手法により、手動注釈の必要性が大幅に削減され、競争力のあるパフォーマンスが維持されており、生物医学研究者にとって最新のAI技術を応用するためのアクセス可能な解決策が提供されています。