Приоритет гомеоморфизма для проблемы ложноположительных и ложноотрицательных результатов в медицинском изображении при обучении плотного контрастного представления.

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

February 7, 2025

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

cs.AI

Аннотация

Плотное контрастное обучение представлений (DCRL) значительно улучшило эффективность обучения для задач плотного прогнозирования изображений, показав свой большой потенциал для снижения больших затрат на сбор медицинских изображений и плотную аннотацию. Однако свойства медицинских изображений делают обнаружение ненадежных соответствий, что приводит к открытой проблеме большого количества ложноположительных и ложноотрицательных (FP&N) пар в DCRL. В данной статье мы предлагаем обучение GEoMetric vIsual deNse sImilarity (GEMINI), которое внедряет априорное гомеоморфное свойство в DCRL и обеспечивает надежное обнаружение соответствий для эффективного плотного контраста. Мы предлагаем обучение деформируемого гомеоморфизма (DHL), которое моделирует гомеоморфизм медицинских изображений и учится оценивать деформируемое отображение для предсказания соответствия пикселей с сохранением топологии. Это эффективно сокращает пространство поиска пар и обеспечивает неявное и мягкое обучение отрицательных пар с помощью градиента. Мы также предлагаем геометрическую семантическую схожесть (GSS), которая извлекает семантическую информацию из признаков для измерения степени выравнивания при обучении соответствию. Это способствует эффективности обучения и производительности деформации, обеспечивая надежное создание положительных пар. Мы реализуем два практических варианта на двух типичных задачах обучения представлений в наших экспериментах. Наши многообещающие результаты на семи наборах данных, превосходящие существующие методы, демонстрируют наше великое превосходство. Мы опубликуем наш код по ссылке-партнеру: 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.