Prior Homeomorfismo per il Problema dei Falsi Positivi e Negativi nella Rappresentazione Densa Contrastiva delle Immagini Mediche

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

February 7, 2025

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

cs.AI

Abstract

L'apprendimento denso della rappresentazione contrastiva (DCRL) ha notevolmente migliorato l'efficienza dell'apprendimento per compiti di previsione densa delle immagini, mostrando il suo grande potenziale nel ridurre i costi elevati della raccolta di immagini mediche e dell'annotazione densa. Tuttavia, le caratteristiche delle immagini mediche rendono l'individuazione delle corrispondenze non affidabile, portando a un problema aperto di coppie di falsi positivi e negativi su larga scala (FP&N) in DCRL. In questo articolo, proponiamo l'apprendimento GEoMetric vIsual deNse sImilarity (GEMINI) che incorpora il principio dell'omeomorfismo prima di DCRL e consente una scoperta affidabile delle corrispondenze per un contrasto denso efficace. Proponiamo un apprendimento deformabile dell'omeomorfismo (DHL) che modella l'omeomorfismo delle immagini mediche e impara a stimare un mapping deformabile per prevedere la corrispondenza dei pixel sotto la preservazione topologica. Riduce efficacemente lo spazio di ricerca dell'accoppiamento e guida un apprendimento implicito e soft delle coppie negative tramite un gradiente. Proponiamo inoltre una similarità geometrica semantica (GSS) che estrae informazioni semantiche dalle caratteristiche per misurare il grado di allineamento per l'apprendimento delle corrispondenze. Ciò favorirà l'efficienza dell'apprendimento e le prestazioni della deformazione, costruendo in modo affidabile coppie positive. Implementiamo due varianti pratiche su due tipici compiti di apprendimento della rappresentazione nei nostri esperimenti. I nostri promettenti risultati su sette dataset, che superano i metodi esistenti, mostrano la nostra grande superiorità. Rilasceremo il nostro codice su un link correlato: 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.