L’introduzione delle tecniche di Deep learning ha consentito ampi miglioramenti nell'analisi di immagini mediche, raggiungendo incrementi di prestazione considerevoli. Tuttavia, possono esserci anche alcuni svantaggi che devono essere affrontati: per esempio, la scarsità di dati etichettati è uno dei principali fattori che limita l’applicazione delle tecniche di Deep learning. Per raccogliere annotazioni per immagini mediche, occorre personale qualificato e specializzato, richiedendo grandi investimenti di risorse e di tempo. Per affrontare questo problema vi sono differenti approcci, come il Transfer Learning, la Data augmentation, il Semi-supervised e Self-supervised learning. Sebbene il Transfer Learning, sfruttando modelli pre-formati su ImageNet, sia uno dei più utilizzati, questo in campo medico potrebbe generare risultati non ottimali, a causa delle diversità tra i domini delle immagini naturali e mediche.