CoRLD：图像中可变形图形的对比表示学习

可变形图形表示以相对于给定模板的变形为参数化方式，已被证明对改进图像分析任务有效。然而，其更广泛的适用性受到两个主要挑战的限制。首先，现有方法主要依赖于测试时的已知模板，这不切实际且限制了灵活性。其次，这些方法往往难以捕捉类似图形之间细粒度、体素级的区别（例如，健康个体、轻度认知障碍患者和疾病状态个体之间的解剖差异）。为此，我们提出了一种新框架——可变形图形的对比表示学习（CoRLD），在学习的变形空间中实现，并在图像分类语境中展示了其有效性。我们的CoRLD利用类感知的对比监督学习目标在隐变形空间中，促进相似类别表示的接近，同时确保不相似组的分离。与需要参考图像作为输入来预测变形变化的以往深度学习网络不同，我们的方法消除了这一依赖。相反，仅在训练过程中将模板图像用作损失函数的ground truth，使我们的模型更灵活且更适用于广泛的医学应用。我们在多样化的数据集上验证了CoRLD，包括真实的脑磁共振成像（MRI）和来自计算机断层扫描（CT）的腹盆形状。实验结果表明，我们的模型有效提取了可变形图形特征，这些特征可以轻松集成到现有分类器中，以显著提升分类准确率。我们的代码已在GitHub上提供。