胸部X線画像のラベル付きデータセットの限られた可用性は、医療画像解析手法の開発における大きな障壁となっている。自己教師学習（Self-supervised Learning, SSL）は、ラベルのないデータを用いてモデルを学習することで、この問題を緩和する可能性を有する。さらに、自己教師学習による事前学習は自然画像の視覚認識において優れた成果を上げているが、医療画像解析分野ではそれほど注目されていない。本研究では、視覚変換器（Vision Transformer）を基盤とする自己教師学習手法DINOの新たな適応として、胸部X線画像分類を目的とした自己教師学習手法DINO-CXRを提案する。本手法の有効性を、肺炎およびCOVID-19の検出において、他の手法と比較する分析を通じて検証した。定量的評価の結果、本手法は精度において最先端手法を上回り、AUCおよびF-1スコアにおいても同等の性能を達成しつつ、必要なラベル付きデータ量を大幅に削減できることを示した。