大规模视觉语言预训练模型在自然图像域内的零/少量异常检测方面取得了重大进展。然而，自然图像和医学图像之间的巨大领域差异限制了这些方法在医学异常检测中的有效性。这种多层次的自适应由多层次、逐像素的视觉语言特征对齐损失函数指导，该函数将模型的重点从自然图像中的对象语义重新校准到医学图像中的异常识别。适应的特征在各种医疗数据类型中表现出更好的泛化，即使在模型在训练期间遇到未见过的医疗模式和解剖区域的零样

MRI的原理

说明：微信扫描登录需要微信注册--要钱，感谢尚硅谷提供的免费接口；短信注册需要阿里云的注册很麻烦并且要短信费，没有接口，所以不打算实现，不过能做出效果。

我们研究了transformer在医学图像分割、检测、分类、恢复、合成、配准、临床报告生成等任务中的应用。特别是，对于这些应用程序中的每一个，我们都开发了分类，确定了特定于应用程序的挑战，并提供了解决这些挑战的见解，并强调了最近的趋势。此外，我们对该领域的整体现状进行了批判性的讨论，包括确定关键挑战，开放问题，并概述了有希望的未来方向。

Swin Transformer是一种新的视觉Transformer ，它产生层次特征表示，并且对输入图像大小具有线性计算复杂度。Swin Transformer在COCO对象检测和ADE20K语义分割方面实现了最先进的性能，大大超过了以前的最佳方法。我们希望Swin Transformer在各种视觉问题上的强大表现将鼓励视觉和语言信号的统一建模。