在医疗图像密集的对比表示学习中,假正负问题之前的同型态

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 密集的对比表示学习 (DCRL) 显示出医学图像分析的前景,但与不可靠的对应发现作斗争,导致虚假对.
• 医疗图像属性使得准确的像素对应的发现变得复杂,阻碍了DCRL的性能.

研究的目的:

• 提出GEoMetric视觉类型相似性 (GEMINI) 学习,将前期的同型性嵌入到DCRL中,以获得可靠的对应发现.
• 通过解决假阳性和假阴性对,提高医学成像中密集对比学习的效率和准确性.

主要方法:

• 引入可变形同型学习 (DHL) 来建模医疗图像的同型并估计可变形映射用于拓保存.
• 开发了几何语义相似性 (GSS) 来提取语义特征以测量对齐并可靠地构建正对.
• 在两个代表性学习任务中实施了两种实用的GEMINI变体.

主要成果:

• 杰米尼有效地减少了对像素配对的搜索空间,并隐式地学习负对.
• 几何语义相似性提高了学习效率和变形性能.
• 在七个数据集上的实验表明,与现有方法相比,性能优越.

结论:

• 双子学习为DCRL中用于医学成像的可靠对应发现提供了一种新的方法.
• 提出的方法显著提高了学习效率和在密集的视觉任务中的预测准确性.
• 双子学习显示出极大的优势和潜力,可以降低医学图像收集和注释成本.