UGPL: Aprendizaje Progresivo Guiado por la Incertidumbre para la Clasificación Basada en Evidencias en Tomografía Computarizada

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

July 18, 2025

Autores: Shravan Venkatraman, Pavan Kumar S, Rakesh Raj Madavan, Chandrakala S

cs.AI

Resumen

La clasificación precisa de imágenes de tomografía computarizada (TC) es fundamental para el diagnóstico y la planificación del tratamiento, pero los métodos existentes suelen enfrentar dificultades debido a la naturaleza sutil y espacialmente diversa de las características patológicas. Los enfoques actuales generalmente procesan las imágenes de manera uniforme, lo que limita su capacidad para detectar anomalías localizadas que requieren un análisis focalizado. Presentamos UGPL, un marco de aprendizaje progresivo guiado por incertidumbre que realiza un análisis de global a local, identificando primero regiones de ambigüedad diagnóstica y luego examinando detalladamente estas áreas críticas. Nuestro enfoque emplea aprendizaje profundo evidencial para cuantificar la incertidumbre predictiva, guiando la extracción de parches informativos mediante un mecanismo de supresión no máxima que mantiene la diversidad espacial. Esta estrategia de refinamiento progresivo, combinada con un mecanismo de fusión adaptativa, permite a UGPL integrar tanto la información contextual como los detalles de grano fino. Los experimentos realizados en tres conjuntos de datos de TC demuestran que UGPL supera consistentemente a los métodos más avanzados, logrando mejoras del 3.29%, 2.46% y 8.08% en precisión para la detección de anomalías renales, cáncer de pulmón y COVID-19, respectivamente. Nuestro análisis muestra que el componente guiado por incertidumbre proporciona beneficios sustanciales, con un aumento dramático en el rendimiento cuando se implementa la canalización completa de aprendizaje progresivo. Nuestro código está disponible en: 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