UGPL: 不確実性に基づく進行型学習によるコンピュータ断層撮影におけるエビデンスベース分類
UGPL: Uncertainty-Guided Progressive Learning for Evidence-Based Classification in Computed Tomography
July 18, 2025
著者: Shravan Venkatraman, Pavan Kumar S, Rakesh Raj Madavan, Chandrakala S
cs.AI
要旨
コンピュータ断層撮影（CT）画像の正確な分類は、診断と治療計画において不可欠であるが、既存の手法は病理学的特徴の微妙で空間的に多様な性質に対処するのに苦労することが多い。現在のアプローチでは、画像を均一に処理することが一般的であり、焦点を当てた分析を必要とする局所的な異常を検出する能力が制限されている。本研究では、UGPL（Uncertainty-Guided Progressive Learning）フレームワークを提案する。このフレームワークは、診断上の曖昧さを持つ領域を最初に特定し、その後これらの重要な領域を詳細に分析するというグローバルからローカルへの分析を行う。我々のアプローチは、予測の不確実性を定量化するためにエビデンシャル・ディープラーニングを採用し、空間的多様性を維持する非最大抑制メカニズムを通じて情報量の多いパッチを抽出する。この段階的な精緻化戦略は、適応的融合メカニズムと組み合わさり、UGPLが文脈情報と微細な詳細の両方を統合することを可能にする。3つのCTデータセットを用いた実験により、UGPLが最先端の手法を一貫して上回り、腎臓異常、肺がん、COVID-19検出においてそれぞれ3.29%、2.46%、8.08%の精度向上を達成することが示された。我々の分析によれば、不確実性をガイドとするコンポーネントは大きな利点を提供し、完全な段階的学習パイプラインが実装された場合に性能が劇的に向上することが明らかになった。我々のコードは以下で公開されている：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