UGPL: Apprendimento Progressivo Guidato dall'Incertezza per la Classificazione Basata su Evidenze nella Tomografia Computerizzata

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

July 18, 2025

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

cs.AI

Abstract

La classificazione accurata delle immagini tomografiche computerizzate (CT) è fondamentale per la diagnosi e la pianificazione del trattamento, ma i metodi esistenti spesso incontrano difficoltà con la natura sottile e spazialmente diversificata delle caratteristiche patologiche. Gli approcci attuali tipicamente elaborano le immagini in modo uniforme, limitando la loro capacità di rilevare anomalie localizzate che richiedono un'analisi mirata. Introduciamo UGPL, un framework di apprendimento progressivo guidato dall'incertezza che esegue un'analisi globale-locale identificando prima le regioni di ambiguità diagnostica e poi conducendo un esame dettagliato di queste aree critiche. Il nostro approccio utilizza l'apprendimento profondo evidenziale per quantificare l'incertezza predittiva, guidando l'estrazione di patch informative attraverso un meccanismo di soppressione non massima che mantiene la diversità spaziale. Questa strategia di raffinamento progressivo, combinata con un meccanismo di fusione adattativo, consente a UGPL di integrare sia le informazioni contestuali che i dettagli a grana fine. Esperimenti condotti su tre dataset di CT dimostrano che UGPL supera costantemente i metodi all'avanguardia, ottenendo miglioramenti del 3,29%, 2,46% e 8,08% in accuratezza rispettivamente per il rilevamento di anomalie renali, cancro ai polmoni e COVID-19. La nostra analisi mostra che il componente guidato dall'incertezza offre benefici sostanziali, con un aumento significativo delle prestazioni quando viene implementata l'intera pipeline di apprendimento progressivo. Il nostro codice è disponibile all'indirizzo: 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