本文探讨了自监督学习（SSL）在医学图像处理中的应用，尤其是在儿童腕部超声扫描和内窥镜视频分析中。研究表明，改进的嵌入和损失函数能够显著提升分割性能，减少对标记数据的需求，并在不同医疗场景中表现优异。

自监督学习在计算机视觉和生物医学中取得突破。研究使用Masked Siamese Networks对内窥镜视频进行分析，检测感染、炎症和癌症。构建大规模无标签数据集训练网络，并通过有限注释数据进行二次训练，实现最先进性能。证明自监督学习可以减少对注释数据的需求。