UGPL: 컴퓨터 단층촬영에서 증거 기반 분류를 위한 불확실성-유도 점진적 학습

초록

컴퓨터 단층촬영(CT) 영상의 정확한 분류는 진단 및 치료 계획 수립에 필수적이지만, 기존 방법들은 병리학적 특징의 미묘하고 공간적으로 다양한 특성을 다루는 데 어려움을 겪는 경우가 많다. 현재의 접근 방식은 일반적으로 영상을 균일하게 처리하여, 집중적인 분석이 필요한 국소적 이상을 탐지하는 능력이 제한적이다. 본 연구에서는 UGPL(Uncertainty-Guided Progressive Learning) 프레임워크를 소개한다. 이 프레임워크는 전역적 분석에서 시작하여 진단적 모호성이 있는 영역을 식별한 후, 이러한 중요한 영역에 대한 상세한 검사를 수행하는 방식으로 전역에서 국소로의 분석을 수행한다. 우리의 접근법은 예측 불확실성을 정량화하기 위해 증거 기반 딥러닝을 활용하며, 공간적 다양성을 유지하는 비최대 억제 메커니즘을 통해 정보가 풍부한 패치를 추출하도록 안내한다. 이러한 점진적 정제 전략은 적응형 융합 메커니즘과 결합되어 UGPL이 맥락 정보와 세부 사항을 모두 통합할 수 있게 한다. 세 가지 CT 데이터셋에 대한 실험 결과, UGPL은 신장 이상, 폐암, COVID-19 탐지에서 각각 3.29%, 2.46%, 8.08%의 정확도 향상을 달성하며, 최신 방법들을 지속적으로 능가하는 것으로 나타났다. 우리의 분석은 불확실성 안내 구성 요소가 상당한 이점을 제공하며, 전체 점진적 학습 파이프라인이 구현될 때 성능이 크게 향상됨을 보여준다. 우리의 코드는 https://github.com/shravan-18/UGPL에서 확인할 수 있다.

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

UGPL: 컴퓨터 단층촬영에서 증거 기반 분류를 위한 불확실성-유도 점진적 학습

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

초록

Support