UGPL: Aprendizado Progressivo Guiado por Incerteza para Classificação Baseada em Evidências em Tomografia Computadorizada

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

July 18, 2025

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

cs.AI

Resumo

A classificação precisa de imagens de tomografia computadorizada (CT) é essencial para o diagnóstico e planejamento de tratamento, mas os métodos existentes frequentemente enfrentam dificuldades com a natureza sutil e espacialmente diversa das características patológicas. As abordagens atuais geralmente processam as imagens de maneira uniforme, limitando sua capacidade de detectar anormalidades localizadas que exigem uma análise focada. Apresentamos o UGPL, uma estrutura de aprendizado progressivo guiada por incerteza que realiza uma análise global para local, identificando primeiro regiões de ambiguidade diagnóstica e, em seguida, conduzindo um exame detalhado dessas áreas críticas. Nossa abordagem emprega o aprendizado profundo evidencial para quantificar a incerteza preditiva, orientando a extração de patches informativos por meio de um mecanismo de supressão não máxima que mantém a diversidade espacial. Essa estratégia de refinamento progressivo, combinada com um mecanismo de fusão adaptativa, permite que o UGPL integre tanto informações contextuais quanto detalhes refinados. Experimentos realizados em três conjuntos de dados de CT demonstram que o UGPL supera consistentemente os métodos state-of-the-art, alcançando melhorias de 3,29%, 2,46% e 8,08% na precisão para detecção de anormalidades renais, câncer de pulmão e COVID-19, respectivamente. Nossa análise mostra que o componente guiado por incerteza oferece benefícios substanciais, com o desempenho aumentando drasticamente quando o pipeline completo de aprendizado progressivo é implementado. Nosso código está disponível em: 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