本文介绍了多种基于自监督学习的医学图像处理模型，如Masked Autoencoders和视觉转换器，旨在提升医学图像分类、分割和异常检测的性能。研究表明，这些模型在多个医学图像任务中表现优于现有技术，显著提高了诊断质量和计算效率。

我们提出了使用Masked Autoencoders (MAEs)解决Class Incremental Learning (CIL)问题，通过双边MAE框架融合图像级和嵌入级，获得更好质量的重建图像和更稳定的表示。实验证实了我们的方法在CIFAR-100、ImageNet-Subset和ImageNet-Full上优于现有技术。