医療画像の密なコントラスティブ表現学習における偽陽性と偽陰性問題のためのホメオモーフィズム事前確率

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

February 7, 2025

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

cs.AI

要旨

密な対照表現学習（DCRL）は、画像密度予測タスクの学習効率を大幅に向上させ、医用画像収集および密な注釈の大きなコストを削減する可能性を示しています。ただし、医用画像の特性により、信頼性のない対応関係の発見が困難であり、DCRLにおいて大規模な誤検出（FP&N）ペアのオープンな問題が生じています。本論文では、DCRLに事前に同相写像を埋め込み、効果的な密な対照のための信頼性のある対応関係の発見を可能にするGEoMetric vIsual deNse sImilarity（GEMINI）学習を提案します。医用画像の同相写像をモデル化し、位相保存下でピクセルの対応を推定するための変形同相写像学習（DHL）を提案します。これにより、ペアリングの探索空間が効果的に削減され、勾配を介した暗黙的かつソフトな負のペアの学習が促進されます。また、特徴量内の意味情報を抽出し、対応関係学習のためのアライメント度を測定する幾何学的意味類似性（GSS）を提案します。これにより、変形の効率と性能を促進し、信頼性のある正のペアを構築します。実験では、2つの典型的な表現学習タスクに対する2つの実用的なバリアントを実装します。既存の手法を凌駕する7つのデータセットでの有望な結果は、我々の優位性を示しています。コードは以下のリンクで公開されます：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.