本文介绍了一种新型自我监督学习框架MDU-ST，旨在提高3D病灶分割的准确性。该模型结合了Swin-transformer编码器和CNN解码器，通过三阶段框架利用未标记的3D数据进行学习，在内部数据集上表现出显著改进，适用于肿瘤生长建模研究。

本文介绍了基于Swin Transformer的医学图像处理模型，包括重建Swin Transformer (RST)和双重Swin Transformer U-Net (DS-TransUNet)，显著提升了4D MRI重建和医学图像分割效果。此外，提出了多维统一Swin Transformer (MDU-ST)用于3D病灶分割，展现出优越性能，适用于自动化肿瘤生长建模研究。