UGPL: Onzekerheid-Gestuurd Progressief Leren voor Op Bewijs Gebaseerde Classificatie in Computertomografie

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

July 18, 2025

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

cs.AI

Samenvatting

Nauwkeurige classificatie van computertomografie (CT)-beelden is essentieel voor diagnose en behandelplanning, maar bestaande methoden hebben vaak moeite met de subtiele en ruimtelijk diverse aard van pathologische kenmerken. Huidige benaderingen verwerken beelden doorgaans uniform, wat hun vermogen beperkt om gelokaliseerde afwijkingen te detecteren die gerichte analyse vereisen. Wij introduceren UGPL, een onzekerheidsgeleid progressief leerframework dat een globaal-naar-lokaal analyse uitvoert door eerst gebieden van diagnostische ambiguïteit te identificeren en vervolgens een gedetailleerd onderzoek van deze kritieke gebieden uit te voeren. Onze aanpak maakt gebruik van evidentieel deep learning om voorspellende onzekerheid te kwantificeren, wat de extractie van informatieve patches begeleidt via een non-maximum suppressiemechanisme dat ruimtelijke diversiteit behoudt. Deze progressieve verfijningsstrategie, gecombineerd met een adaptief fusiemechanisme, stelt UGPL in staat om zowel contextuele informatie als fijnmazige details te integreren. Experimenten over drie CT-datasets tonen aan dat UGPL consequent state-of-the-art methoden overtreft, met verbeteringen van 3,29%, 2,46% en 8,08% in nauwkeurigheid voor de detectie van nierafwijkingen, longkanker en COVID-19, respectievelijk. Onze analyse laat zien dat de onzekerheidsgeleide component aanzienlijke voordelen biedt, waarbij de prestaties aanzienlijk toenemen wanneer de volledige progressieve leerpipeline wordt geïmplementeerd. Onze code is beschikbaar op: 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