医学图像报告自动生成技术势必在未来的临床诊断和治疗中普及,它能够大幅度节约医生的工作量,为后续诊断提供更加标准化的依据。随着深度学习研究的深入,模型逐渐趋于复杂导致训练所需数据成倍数增加,尤其在医学领域中数据量小是常态,用大模型训练会产生过拟合现象。同时现有医学公开数据集还存在数据偏差严重的问题（正常样本总是占据数据集的较大比重,而不同症状的异常样本占整个数据集的比重却很小）,这使得在利用深度学习模型进行报告生成时,报告生成模型往往会忽略这些占比小的数据样本中的异常情况,仅仅生成更加宽泛的描述。本文提出一种基于Teacher-Student框架的自监督学习医学报告生成方法（Teacher-Student Self-supervised Framework based Medical Report Generation Model,TSSMRGM）,该报告模型中的Teacher-Student自监督模块利用对比学习方法学习图像特征,同时不依赖负样本进行训练就能使模型性能得到明显提升。自监督模块中的预测网络不关心负样本情况,只令相似的图像具有相似的表征,因此能够使模型对训练数据本身带有的偏差不敏感,从而起到了缓解数据偏差影响的作用。并且,自监督模块的加入能够使模型以更低的数据成本在复杂模型中训练学习图像中的语义信息,这对于数据标注困难且数据量小的医学场景下的各种下游任务起到了关键作用。本文提出的医学报告生成模型首先将输入的CT医学图像进行两次随机增强,利用两个结构相同的CNN网络分别作为Teacher网络和Student网络中的特征提取器同时对两副增强后的图像进行特征提取,Student网络通过额外的预测网络来逼近Teacher网络的特征表示,将训练好的Student网络中的CNN网络作为报告生成模型中的编码器提取图像特征并输入给语言生成模型Transformer。本文在Transformer解码器部分加入信息记忆矩阵用于记录报告中的信息从而能够生成带有罕见症状描述且准确的长文本。在两个公开数据集IU X-Ray和MIMIC-CXR的实验结果表明,本文的方法在几个图像描述生成任务的指标中都优于当前最新的工作。