의료 이미지 밀도 대조적 표현 학습에서 거짓 양성 및 음성 문제에 대한 홈오모르피즘 사전

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

February 7, 2025

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

cs.AI

초록

밀집 대조 표현 학습(DCRL)은 이미지 밀집 예측 작업의 학습 효율을 크게 향상시켰으며 의료 이미지 수집 및 밀집 주석의 큰 비용을 줄일 수 있는 큰 잠재력을 보여주었습니다. 그러나 의료 이미지의 특성으로 인해 신뢰할 수 없는 대응 발견이 발생하여 DCRL에서 대규모 거짓 양성 및 음성(FP&N) 쌍의 열린 문제를 야기합니다. 본 논문에서는 DCRL 이전에 동형사상 선험을 포함시키고 효과적인 밀집 대조를 위한 신뢰할 수 있는 대응 발견을 가능하게 하는 GEoMetric vIsual deNse sImilarity(GEMINI) 학습을 제안합니다. 의료 이미지의 동형사상을 모델링하고 위상 보존을 통해 픽셀의 대응을 예측하기 위한 변형 가능한 매핑을 추정하는 학습 가능한 변형 동형사상(DHL)을 제안합니다. 이는 페어링의 검색 공간을 효과적으로 줄이고 그래디언트를 통해 음성 쌍의 암묵적이고 부드러운 학습을 촉진합니다. 또한 대응 학습을 위해 특징에서 의미 정보를 추출하여 정렬 정도를 측정하는 기하 의미 유사성(GSS)을 제안합니다. 이는 변형의 학습 효율과 성능을 증진시키며 신뢰할 수 있는 양성 쌍을 구성합니다. 우리는 실험에서 두 가지 전형적인 표현 학습 작업에 대한 두 가지 실용적인 변형을 구현했습니다. 기존 방법을 능가하는 우수한 결과를 보여주는 7개 데이터셋에서 우리의 유망한 결과는 우리의 큰 우월성을 보여줍니다. 우리는 동반 링크인 https://github.com/YutingHe-list/GEMINI에서 코드를 공개할 예정입니다.

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.