Homeomorfisme-prior voor het probleem van valse positieven en negatieven in medische beelddichte contrastieve representatie-leren.

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

Samenvatting

Dichte contrastieve representatie leren (DCRL) heeft aanzienlijk de leerefficiëntie verbeterd voor beeld-dichte voorspellingstaken, waarbij het zijn grote potentie heeft laten zien om de hoge kosten van medische beeldverzameling en dichte annotatie te verminderen. Echter, de eigenschappen van medische beelden maken het ontdekken van onbetrouwbare overeenkomsten, wat een open probleem van grootschalige valse positieve en negatieve (VP&N) paren in DCRL met zich meebrengt. In dit artikel stellen we GEoMetrische vIsuele deNse sImilariteit (GEMINI) leren voor, dat de homeomorfisme voorafgaand aan DCRL inbedt en een betrouwbare overeenkomstontdekking mogelijk maakt voor effectieve dichte contrasten. We stellen een vervormbaar homeomorfisme leren (DHL) voor dat het homeomorfisme van medische beelden modelleert en leert om een vervormbare mapping te schatten om de overeenkomst van pixels te voorspellen met behoud van topologische eigenschappen. Het vermindert effectief de zoekruimte voor koppeling en drijft een impliciet en zacht leren van negatieve paren aan via een gradiënt. We stellen ook een geometrische semantische gelijkenis (GSS) voor die semantische informatie in functies extraheren om de mate van uitlijning voor het leren van overeenkomsten te meten. Dit zal de leerefficiëntie en prestaties van vervorming bevorderen, waarbij betrouwbare positieve paren worden geconstrueerd. We implementeren twee praktische varianten op twee typische representatie-leertaken in onze experimenten. Onze veelbelovende resultaten op zeven datasets, die de bestaande methoden overtreffen, tonen onze grote superioriteit aan. We zullen onze code vrijgeven op een bijbehorende link: 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.