伴随着大规模带标注的数据集的出现,深度学习在计算机视觉领域取得了重要成就。然而,数据集的收集和手动标注需要耗费大量的人力资源成本,为了避免在大型数据集上浪费大量资源,自监督学习、无监督学习和迁移学习技术目前受到了广泛关注。在当前大数据时代的背景下,相比于代价昂贵的标记数据,无标记数据更为廉价且易获取。但由于监督信号的缺乏,无监督学习的特征通常不能保证是具有强判别性的。近年来,自监督学习作为一种根据数据的某些属性自动生成有监督信号来指导特征学习的新范式受到了越来越多的关注。相比于经典的机器学习方法,自监督学习能尽可能的利用大量可用数据,同时能够大幅度减少甚至是避免人工标注的工作量。自监督学习可利用大量未标记数据对深度网络进行预训练,然后对标注数据有限的目标任务进行微调,其中预训练任务与目标下游任务之间的距离至关重要。为了利用医学图像数据的独特特性,已经提出了各种各样的预训练任务。然而,他们很少关注具有面向解剖结构的成像平面的数据,如标准的心脏MRI视图。由于此类成像平面是根据成像器官的解剖结构定义的,因此有效利用这一点的预训练任务能学习到与潜在的下游任务更相关的特征。在这项工作中,我们提出了一个新的自监督学习框架,该框架克服了在设计和比较不同任务时模型和数据域的局限性,将自监督模型的结构与最终的特定目标任务的微调模型进行了分离,构建了一个具有普适性的基于解剖导向成像平面的医学图像数据的自监督任务。具体来说,我们根据它们的空间关系专门为这组医学图像数据提出了两个通用的预训练任务。第一个是学习成像平面之间的相对方向,回归根据成像平面之间的相交线定义的热图。第二个预训练任务是对第一个的补充,利用平行成像平面之间的空间关系来回归堆栈内的相对切片的位置。这两个预训练任务在概念上都很简单且易于实现,并且可以在多任务设置中组合以进行更好的表征学习。此外,本文通过两个基线模型对两种不同解剖结构（心脏和膝盖）以及具有代表性的下游任务（语义分割和分类）进行了充分的实验,验证了所提出的预训练任务在预训练深度网络方面是有效的,能够使得目标任务的性能获得显著提高,并且优于最近提出的其他具有竞争力的自监督任务,展示了本文提出的创新方法所带来的显著提升。