对医学影像中器官、组织等目标进行分割,在医学诊断、治疗和预后中起着重要的作用,构建精确且鲁棒的医学影像自动分割系统有着深远的研究意义。然而,建立大型有标注医学数据集需要高水准医学专家知识,并且密集的点标注会耗费大量时间。而在无标注医学影像数据上,应用自监督学习以提升分割性能已经得到深入的研究和发展,但是以往的研究大多设计代理任务训练,很少关注医学影像本身在潜在空间上的表征学习,同时忽略了医学分割目标的尺度多样性。论文针对这一问题,将自监督孪生网络表征学习中现有的全局、局部或密集表征进行有效结合并在医学影像领域实施,提出了多尺度表征一致性的自监督医学影像分割算法。具体而言,论文主要进行了以下研究:首先,对医学影像孪生网络范式自监督所需的差异视图生成展开研究,针对现有对齐方法的适用范围有限和运算复杂度过高的问题,提出了画布匹配,能获得更丰富复杂的空间增强视图的同时高效获取密集的位置对应信息。其次,对现有的孪生网络表征提取进行研究,设计多尺度表征提取孪生网络,通过各尺度对应的卷积形式投影层和预测层获得多尺度投影表征与预测表征。其中,为了解决密集尺度的表征运算带来过大的隐层张量的问题,提出了嵌入预采样,保证了训练的高效进行。最后,对多尺度表征的学习损失进行研究,针对医学影像目标尺度上的仪器、个体差异和缩放差异的问题,提出了表征一致性损失来自动匹配表征间的最佳尺度,以学习尺度不变性。同时为了解决视图边缘上下文信息缺少的问题,提出中心度权重降低视图边缘表征的影响。论文在RibFrac数据集和Medical Segmentation Decathlon中多个三维CT数据集上采用无标注数据实施了多尺度表征学习,并在范德堡大学医学中心的具有挑战性的多器官分割Beyond the Cranial Vault数据集上进行下游分割实验性能验证。通过改进独立性分析和标注力度分析,并与现有的先进的医学分割网络以及多种不同尺度表征学习方法进行对比实验,验证了论文提出的多尺度表征一致性的自监督医学影像分割的有效性和鲁棒性。