TopoCL: 의료 영상 분석을 위한 위상 기반 대비 학습

TopoCL: Topological Contrastive Learning for Medical Imaging

대비 학습(CL)은 비표시된 이미지로부터 표현을 학습하는 강력한 방법으로 자리 잡았습니다. 그러나 기존의 대비 학습 방법은 주로 시각적 특징에 초점을 맞추고, 의료 영상 분석에 유용한 단서를 제공하는 위상적 특징(예: 연결 패턴, 경계 구성, 공동 형성)을 간과합니다. 이러한 한계를 해결하기 위해, 본 연구에서는 의료 영상 분석을 위한 대비 학습 과정에서 명시적으로 위상 구조를 활용하는 새로운 위상 기반 대비 학습 프레임워크(TopoCL)를 제안합니다. 구체적으로, 먼저 지속성 다이어그램 간의 상대적 병목 거리(relative bottleneck distance)를 사용하여 위상적 변동을 제어하는 위상 인식 증강(topology-aware augmentations)을 도입하여 의료적으로 중요한 위상적 특성을 유지하면서 제어된 구조적 변화를 가능하게 합니다. 다음으로, 자기 주의(self-attention) 및 교차 주의(cross-attention) 메커니즘을 통해 위상적 특징을 캡처하는 계층적 위상 인코더(Hierarchical Topology Encoder)를 설계합니다. 마지막으로, 시각적 및 위상적 표현을 동적으로 통합하는 적응형 Mixture-of-Experts (MoE) 모듈을 개발합니다. TopoCL은 기존의 대비 학습 방법과 원활하게 통합될 수 있습니다. 본 연구에서는 TopoCL을 SimCLR, MoCo-v3, BYOL, DINO 및 Barlow Twins과 같은 다섯 가지 대표적인 대비 학습 방법과 다섯 가지 다양한 의료 영상 분류 데이터 세트에 적용하여 성능을 평가했습니다. 실험 결과, TopoCL은 일관된 성능 향상을 보여주었으며, 선형 탐색 분류 정확도에서 평균 +3.26%의 향상을 보였으며, 이는 통계적으로 유의미한 결과입니다. 이러한 결과는 TopoCL의 효과를 입증합니다.

Contrastive learning (CL) has become a powerful approach for learning representations from unlabeled images. However, existing CL methods focus predominantly on visual appearance features while neglecting topological characteristics (e.g., connectivity patterns, boundary configurations, cavity formations) that provide valuable cues for medical image analysis. To address this limitation, we propose a new topological CL framework (TopoCL) that explicitly exploits topological structures during contrastive learning for medical imaging. Specifically, we first introduce topology-aware augmentations that control topological perturbations using a relative bottleneck distance between persistence diagrams, preserving medically relevant topological properties while enabling controlled structural variations. We then design a Hierarchical Topology Encoder that captures topological features through self-attention and cross-attention mechanisms. Finally, we develop an adaptive mixture-of-experts (MoE) module to dynamically integrate visual and topological representations. TopoCL can be seamlessly integrated with existing CL methods. We evaluate TopoCL on five representative CL methods (SimCLR, MoCo-v3, BYOL, DINO, and Barlow Twins) and five diverse medical image classification datasets. The experimental results show that TopoCL achieves consistent improvements: an average gain of +3.26% in linear probe classification accuracy with strong statistical significance, verifying its effectiveness.