本文探讨了深度学习在医学图像分割中的迁移学习技术，重点研究Batch Normalisation层的可训练权重对模型性能的影响。研究表明，自我监督预训练和对比损失方法能有效提高分割任务的准确性，减少对标记数据的需求。提出的STU-Net模型在多个医学数据集上表现优异，展示了迁移学习在医学影像分析中的应用潜力。

本文探讨了深度学习在医学图像中的转移学习，重点研究Batch Normalisation层的可训练权重对模型性能的影响。研究表明，fine-tune可训练权重能提升模型性能和收敛速度。此外，提出了TransFusion和MultiFusion等新方法，利用预训练模型整合多模态输入，提高图像生成效率，并展示了大型语言模型在生物医学图像任务中的有效性。