UGPL: Unsicherheitsgeleitetes progressives Lernen für evidenzbasierte Klassifikation in der Computertomographie

UGPL: Uncertainty-Guided Progressive Learning for Evidence-Based Classification in Computed Tomography

July 18, 2025

papers.authors: Shravan Venkatraman, Pavan Kumar S, Rakesh Raj Madavan, Chandrakala S

cs.AI

papers.abstract

Eine präzise Klassifizierung von Computertomographie (CT)-Bildern ist entscheidend für die Diagnose und Behandlungsplanung, doch bestehende Methoden haben oft Schwierigkeiten mit der subtilen und räumlich diversen Natur pathologischer Merkmale. Aktuelle Ansätze verarbeiten Bilder in der Regel einheitlich, was ihre Fähigkeit einschränkt, lokalisierte Anomalien zu erkennen, die eine gezielte Analyse erfordern. Wir stellen UGPL vor, ein unsicherheitsgeführtes progressives Lernframework, das eine globale bis lokale Analyse durchführt, indem es zunächst Regionen mit diagnostischer Unklarheit identifiziert und dann eine detaillierte Untersuchung dieser kritischen Bereiche vornimmt. Unser Ansatz nutzt evidenzbasiertes Deep Learning, um die Vorhersageunsicherheit zu quantifizieren, und leitet die Extraktion informativer Bildausschnitte durch einen Non-Maximum-Suppression-Mechanismus, der die räumliche Diversität bewahrt. Diese progressive Verfeinerungsstrategie, kombiniert mit einem adaptiven Fusionsmechanismus, ermöglicht es UGPL, sowohl kontextuelle Informationen als auch fein abgestufte Details zu integrieren. Experimente mit drei CT-Datensätzen zeigen, dass UGPL durchweg state-of-the-art-Methoden übertrifft und Verbesserungen von 3,29 %, 2,46 % und 8,08 % in der Genauigkeit bei der Erkennung von Nierenanomalien, Lungenkrebs und COVID-19 erzielt. Unsere Analyse zeigt, dass die unsicherheitsgeführte Komponente erhebliche Vorteile bietet, wobei die Leistung deutlich steigt, wenn die gesamte progressive Lernpipeline implementiert wird. Unser Code ist verfügbar unter: https://github.com/shravan-18/UGPL.

English

Accurate classification of computed tomography (CT) images is essential for diagnosis and treatment planning, but existing methods often struggle with the subtle and spatially diverse nature of pathological features. Current approaches typically process images uniformly, limiting their ability to detect localized abnormalities that require focused analysis. We introduce UGPL, an uncertainty-guided progressive learning framework that performs a global-to-local analysis by first identifying regions of diagnostic ambiguity and then conducting detailed examination of these critical areas. Our approach employs evidential deep learning to quantify predictive uncertainty, guiding the extraction of informative patches through a non-maximum suppression mechanism that maintains spatial diversity. This progressive refinement strategy, combined with an adaptive fusion mechanism, enables UGPL to integrate both contextual information and fine-grained details. Experiments across three CT datasets demonstrate that UGPL consistently outperforms state-of-the-art methods, achieving improvements of 3.29%, 2.46%, and 8.08% in accuracy for kidney abnormality, lung cancer, and COVID-19 detection, respectively. Our analysis shows that the uncertainty-guided component provides substantial benefits, with performance dramatically increasing when the full progressive learning pipeline is implemented. Our code is available at: https://github.com/shravan-18/UGPL