Priorité de l'homéomorphisme pour le problème des faux positifs et négatifs en apprentissage de représentations denses contrastives d'images médicales

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

February 7, 2025

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

cs.AI

Résumé

L'apprentissage de représentations contrastées denses (DCRL) a grandement amélioré l'efficacité d'apprentissage pour les tâches de prédiction d'images denses, montrant ainsi son grand potentiel pour réduire les coûts élevés de collecte d'images médicales et d'annotation dense. Cependant, les propriétés des images médicales rendent la découverte de correspondances peu fiable, posant ainsi un problème ouvert de paires faussement positives et négatives à grande échelle (FP&N) dans le DCRL. Dans cet article, nous proposons l'apprentissage de similarité visuelle dense géométrique (GEMINI) qui intègre la notion de préalable d'homéomorphisme au DCRL et permet une découverte fiable de correspondances pour un contraste dense efficace. Nous proposons un apprentissage d'homéomorphisme déformable (DHL) qui modélise l'homéomorphisme des images médicales et apprend à estimer un mappage déformable pour prédire la correspondance des pixels tout en préservant la topologie. Cela réduit efficacement l'espace de recherche des paires et favorise un apprentissage implicite et doux des paires négatives via un gradient. Nous proposons également une similarité sémantique géométrique (GSS) qui extrait des informations sémantiques dans les caractéristiques pour mesurer le degré d'alignement pour l'apprentissage de correspondances. Cela favorisera l'efficacité d'apprentissage et les performances de déformation, en construisant des paires positives de manière fiable. Nous mettons en œuvre deux variantes pratiques sur deux tâches d'apprentissage de représentations typiques dans nos expériences. Nos résultats prometteurs sur sept ensembles de données, qui surpassent les méthodes existantes, démontrent notre grande supériorité. Nous mettrons notre code à disposition sur un lien compagnon : 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.