Prior de Homeomorfismo para el Problema de Falsos Positivos y Negativos en el Aprendizaje de Representaciones Densas Contrastivas de Imágenes Médicas

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

February 7, 2025

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

cs.AI

Resumen

El aprendizaje de representaciones contrastivas densas (DCRL) ha mejorado significativamente la eficiencia de aprendizaje para tareas de predicción de imágenes densas, mostrando un gran potencial para reducir los altos costos de recopilación de imágenes médicas y anotaciones densas. Sin embargo, las propiedades de las imágenes médicas hacen que el descubrimiento de correspondencias sea poco confiable, lo que plantea un problema abierto de pares falsos positivos y negativos a gran escala (FP&N) en DCRL. En este artículo, proponemos el aprendizaje de similitud visual densa geométrica (GEMINI) que incorpora el conocimiento previo de homeomorfismo en DCRL y permite un descubrimiento confiable de correspondencias para un contraste denso efectivo. Proponemos un aprendizaje de homeomorfismo deformable (DHL) que modela el homeomorfismo de imágenes médicas y aprende a estimar un mapeo deformable para predecir la correspondencia de píxeles manteniendo la preservación topológica. Esto reduce efectivamente el espacio de búsqueda de emparejamiento y facilita un aprendizaje implícito y suave de pares negativos a través de un gradiente. También proponemos una similitud semántica geométrica (GSS) que extrae información semántica en características para medir el grado de alineación en el aprendizaje de correspondencias. Esto promoverá la eficiencia de aprendizaje y el rendimiento de deformación, construyendo pares positivos de manera confiable. Implementamos dos variantes prácticas en dos tareas típicas de aprendizaje de representaciones en nuestros experimentos. Nuestros resultados prometedores en siete conjuntos de datos, que superan a los métodos existentes, muestran nuestra gran superioridad. Publicaremos nuestro código en un enlace complementario: 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.