Prioridade de Homeomorfismo para o Problema de Falsos Positivos e Negativos na Aprendizagem de Representação Densa por Contraste em Imagens 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

Resumo

A aprendizagem de representação contrastiva densa (DCRL, do inglês *Dense Contrastive Representation Learning*) tem melhorado significativamente a eficiência de aprendizado para tarefas de predição densa em imagens, demonstrando seu grande potencial para reduzir os altos custos associados à coleta de imagens médicas e à anotação densa. No entanto, as propriedades das imagens médicas tornam a descoberta de correspondências pouco confiável, trazendo um problema em aberto de pares falsos positivos e negativos (FP&N) em grande escala na DCRL. Neste artigo, propomos a aprendizagem de similaridade densa visual geométrica (GEMINI, do inglês *GEoMetric vIsual deNse sImilarity*), que incorpora o *prior* de homeomorfismo à DCRL e permite uma descoberta confiável de correspondências para um contraste denso eficaz. Propomos uma aprendizagem de homeomorfismo deformável (DHL, do inglês *Deformable Homeomorphism Learning*), que modela o homeomorfismo de imagens médicas e aprende a estimar um mapeamento deformável para prever a correspondência de pixels sob preservação topológica. Isso reduz efetivamente o espaço de busca de emparelhamento e conduz uma aprendizagem implícita e suave de pares negativos por meio de um gradiente. Também propomos uma similaridade semântica geométrica (GSS, do inglês *Geometric Semantic Similarity*), que extrai informações semânticas nas características para medir o grau de alinhamento na aprendizagem de correspondências. Isso promoverá a eficiência de aprendizado e o desempenho da deformação, construindo pares positivos de forma confiável. Implementamos duas variantes práticas em duas tarefas típicas de aprendizagem de representação em nossos experimentos. Nossos resultados promissores em sete conjuntos de dados, que superam os métodos existentes, mostram nossa grande superioridade. Disponibilizaremos nosso código em um link complementar: 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.