TopoCL：面向医学影像的拓扑对比学习
计算机视觉与模式识别
2026-03-17 v1 人工智能
摘要
对比学习（Contrastive Learning, CL）已成为从无标签图像中学习表征的强大方法。然而，现有对比学习方法主要关注视觉外观特征，而忽略了诸如连通性模式、边界配置、空洞形成等拓扑特征，这些特征在医学图像分析中提供了宝贵的线索。为此，我们提出一种新的拓扑对比学习框架（TopoCL），在医学影像的对比学习中显式地利用拓扑结构。具体而言，我们首先引入基于持久图相对瓶颈距离的拓扑感知数据增强方法，通过控制拓扑扰动来保持医学相关的拓扑属性，同时实现受控的结构变化。随后，我们设计了层次化拓扑编码器，通过自注意力和交叉注意力机制捕获拓扑特征。最后，我们开发了自适应混合专家（Mixture-of-Experts, MoE）模块，以动态集成视觉表征和拓扑表征。TopoCL 可无缝集成到现有的对比学习方法中。我们在五种代表性对比学习方法（SimCLR、MoCo-v3、BYOL、DINO 和 Barlow Twins）上进行评估，并应用于五个多样化的医学图像分类数据集。实验结果表明，TopoCL 在线性探针分类准确率上实现了持续的改进：平均提升 +3.26%，且具有显著的统计学意义，验证了其有效性。
引用
@article{arxiv.2603.14647,
title = {TopoCL: Topological Contrastive Learning for Medical Imaging},
author = {Guangyu Meng and Pengfei Gu and Peixian Liang and John P. Lalor and Erin Wolf Chambers and Danny Z. Chen},
journal= {arXiv preprint arXiv:2603.14647},
year = {2026}
}