探测内在医学任务关系：对比学习视角
计算机视觉与模式识别
2026-04-08 v1
摘要
虽然医学计算机视觉领域的大部分研究都专注于推进特定任务的性能，但任务之间的底层关系——即它们在表示层面上如何关联、重叠或不同——在很大程度上仍未被探索。我们的工作探讨了医学视觉任务之间的这些内在关系，具体而言，我们研究了30个任务，例如语义任务（如分割和检测）、图像生成任务（如去噪、修复或着色）以及图像变换任务（如几何变换）。我们的目标是探究数据驱动的表示空间是否能够捕捉来自截然不同医学成像模态（包括计算机断层扫描、磁共振、电子显微镜、X射线超声等）的39个数据集上任务的底层结构。通过揭示任务之间的相互关系，我们旨在提供对其基本性质和互联性的洞察。为此，我们引入了任务对比学习（Task-Contrastive Learning, TaCo），一种旨在将任务嵌入到共享表示空间中的对比学习框架。通过TaCo，我们将这些来自不同模态的异构任务映射到联合空间中并分析其性质：识别哪些任务被明确表示、哪些任务融合在一起，以及任务的迭代变化如何在嵌入空间中得到反映。我们的工作为理解医学视觉任务的内在结构奠定了基础，在嵌入空间中提供了对任务相似性及其互联属性的更深入理解。
引用
@article{arxiv.2604.05651,
title = {Probing Intrinsic Medical Task Relationships: A Contrastive Learning Perspective},
author = {Jonas Muth and Zdravko Marinov and Simon Reiß},
journal= {arXiv preprint arXiv:2604.05651},
year = {2026}
}