本研究解决了医学图像处理领域中标注数据稀缺的问题。通过提出一种针对医学图像的任务亲和度度量的顺序迁移方案，论文分析了不同任务之间的图像和标签相似性，从而选择了合适的源任务和迁移策略。实验结果表明，该方法显著提高了目标任务的性能，平均提升了2.58%的分割dice分数。
本文提出了一种框架，通过利用先验知识和可转移性来选择最佳源任务，以提高脑图像分割任务的迁移学习性能。实验显示，相同模态下的不同任务比不同模态的同一任务效果更好。尤其是当源任务与目标任务的roi形状相似性较高时，迁移性能更佳，可通过标签空间的结构相似度指数进行衡量。
