UGPL : Apprentissage Progressif Guidé par l'Incertitude pour la Classification Basée sur les Preuves en Tomographie Computérisée

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

La classification précise des images de tomodensitométrie (CT) est essentielle pour le diagnostic et la planification du traitement, mais les méthodes existantes peinent souvent à gérer la nature subtile et spatialement diverse des caractéristiques pathologiques. Les approches actuelles traitent généralement les images de manière uniforme, limitant leur capacité à détecter des anomalies localisées nécessitant une analyse ciblée. Nous présentons UGPL, un cadre d'apprentissage progressif guidé par l'incertitude, qui effectue une analyse globale à locale en identifiant d'abord les régions d'ambiguïté diagnostique, puis en examinant en détail ces zones critiques. Notre approche utilise l'apprentissage profond évidentiel pour quantifier l'incertitude prédictive, guidant l'extraction de patches informatifs grâce à un mécanisme de suppression non maximale qui préserve la diversité spatiale. Cette stratégie de raffinement progressive, combinée à un mécanisme de fusion adaptatif, permet à UGPL d'intégrer à la fois des informations contextuelles et des détails fins. Les expériences menées sur trois ensembles de données CT montrent que UGPL surpasse systématiquement les méthodes de pointe, avec des améliorations de 3,29 %, 2,46 % et 8,08 % en précision pour la détection des anomalies rénales, du cancer du poumon et de la COVID-19, respectivement. Notre analyse montre que le composant guidé par l'incertitude apporte des avantages substantiels, avec une augmentation spectaculaire des performances lorsque l'ensemble du pipeline d'apprentissage progressif est mis en œuvre. Notre code est disponible à l'adresse : 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