医学图像密集对比表示学习中的同胚先验用于解决假阳性与假阴性问题
计算机视觉与模式识别
2025-02-11 v1 人工智能
摘要
密集对比表示学习（DCRL）极大地提高了图像密集预测任务的学习效率，显示出其降低医学图像采集和密集标注巨大成本的巨大潜力。然而，医学图像的特性使得不可靠的对应关系发现，这带来了 DCRL 中大规模假阳性和假阴性（FP&N）对的开放问题。在本文中，我们提出了 GEoMetric vIsual deNse sImilarity（GEMINI）学习，它将同胚先验嵌入到 DCRL 中，并实现了可靠的对应关系发现，以实现有效的密集对比。我们提出了一种可变形同胚学习（DHL），它对医学图像的同胚进行建模，并学习估计一个可变形映射，以在拓扑保持下预测像素的对应关系。它有效地减少了配对搜索空间，并通过梯度驱动了一种隐式且软性的负对学习。我们还提出了一种几何语义相似度（GSS），它提取特征中的语义信息来衡量对应关系学习的对齐程度。这将提高变形的学习效率和性能，从而可靠地构建正对。我们在实验中针对两个典型的表示学习任务实现了两种实用的变体。我们在七个数据集上取得了优于现有方法的有希望的结果，显示了我们的巨大优越性。我们将在以下链接发布我们的代码：https://github.com/YutingHe-list/GEMINI。
引用
@article{arxiv.2502.05282,
title = {Homeomorphism Prior for False Positive and Negative Problem in Medical Image Dense Contrastive Representation Learning},
author = {Yuting He and Boyu Wang and Rongjun Ge and Yang Chen and Guanyu Yang and Shuo Li},
journal= {arXiv preprint arXiv:2502.05282},
year = {2025}
}
备注
Accepted by T-PAMI 2025