Homöomorphie-Prior für das Problem der falsch positiven und negativen Ergebnisse in der dichten kontrastiven Repräsentationslernen von medizinischen Bildern.

Homeomorphism Prior for False Positive and Negative Problem in Medical Image Dense Contrastive Representation Learning

February 7, 2025

Autoren: Yuting He, Boyu Wang, Rongjun Ge, Yang Chen, Guanyu Yang, Shuo Li

cs.AI

Zusammenfassung

Die dichte kontrastive Repräsentationslernen (DCRL) hat die Lerneffizienz für bildreiche Vorhersageaufgaben erheblich verbessert und zeigt ihr großes Potenzial, die hohen Kosten für die Sammlung medizinischer Bilder und dichte Annotationen zu reduzieren. Die Eigenschaften medizinischer Bilder machen jedoch die Entdeckung unzuverlässiger Entsprechungen, was ein offenes Problem großer Mengen an falsch positiven und negativen (FP&N) Paaren in DCRL mit sich bringt. In diesem Artikel schlagen wir das GEoMetric vIsual deNse sImilarity (GEMINI) Lernen vor, das das Homöomorphismus-Prinzip vor DCRL einbettet und eine zuverlässige Entsprechungsentdeckung für effektiven dichten Kontrast ermöglicht. Wir schlagen ein deformierbares Homöomorphismus-Lernen (DHL) vor, das den Homöomorphismus von medizinischen Bildern modelliert und lernt, eine deformierbare Zuordnung zur Vorhersage der Pixelkorrespondenz unter topologischer Erhaltung zu schätzen. Dies reduziert effektiv den Suchraum für Paarungen und fördert ein implizites und weiches Lernen von negativen Paaren über einen Gradienten. Wir schlagen auch eine geometrische semantische Ähnlichkeit (GSS) vor, die semantische Informationen in Merkmalen extrahiert, um den Ausrichtungsgrad für das Korrespondenzlernen zu messen. Dies wird die Lerneffizienz und Leistung der Verformung fördern und zuverlässig positive Paare konstruieren. Wir implementieren zwei praktische Varianten in zwei typischen Repräsentationslernaufgaben in unseren Experimenten. Unsere vielversprechenden Ergebnisse auf sieben Datensätzen, die die vorhandenen Methoden übertreffen, zeigen unsere große Überlegenheit. Wir werden unseren Code über einen Begleitlink veröffentlichen: https://github.com/YutingHe-list/GEMINI.

English

Dense contrastive representation learning (DCRL) has greatly improved the learning efficiency for image-dense prediction tasks, showing its great potential to reduce the large costs of medical image collection and dense annotation. However, the properties of medical images make unreliable correspondence discovery, bringing an open problem of large-scale false positive and negative (FP&N) pairs in DCRL. In this paper, we propose GEoMetric vIsual deNse sImilarity (GEMINI) learning which embeds the homeomorphism prior to DCRL and enables a reliable correspondence discovery for effective dense contrast. We propose a deformable homeomorphism learning (DHL) which models the homeomorphism of medical images and learns to estimate a deformable mapping to predict the pixels' correspondence under topological preservation. It effectively reduces the searching space of pairing and drives an implicit and soft learning of negative pairs via a gradient. We also propose a geometric semantic similarity (GSS) which extracts semantic information in features to measure the alignment degree for the correspondence learning. It will promote the learning efficiency and performance of deformation, constructing positive pairs reliably. We implement two practical variants on two typical representation learning tasks in our experiments. Our promising results on seven datasets which outperform the existing methods show our great superiority. We will release our code on a companion link: https://github.com/YutingHe-list/GEMINI.