UGPL: Обучение с прогрессивным управлением неопределенностью для классификации на основе данных в компьютерной томографии

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

July 18, 2025

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

cs.AI

Аннотация

Точная классификация изображений, полученных с помощью компьютерной томографии (КТ), имеет решающее значение для диагностики и планирования лечения, однако существующие методы часто сталкиваются с трудностями из-за тонкой и пространственно разнообразной природы патологических признаков. Современные подходы обычно обрабатывают изображения равномерно, что ограничивает их способность выявлять локальные аномалии, требующие детального анализа. Мы представляем UGPL — фреймворк прогрессивного обучения с управлением на основе неопределенности, который выполняет анализ от глобального к локальному, сначала идентифицируя области диагностической неопределенности, а затем проводя детальное исследование этих критических зон. Наш подход использует доказательное глубокое обучение для количественной оценки прогностической неопределенности, направляя извлечение информативных фрагментов с помощью механизма подавления немаксимальных значений, который сохраняет пространственное разнообразие. Эта стратегия прогрессивного уточнения, в сочетании с адаптивным механизмом слияния, позволяет UGPL интегрировать как контекстную информацию, так и детализированные данные. Эксперименты на трех наборах данных КТ демонстрируют, что UGPL стабильно превосходит современные методы, достигая улучшений точности на 3,29%, 2,46% и 8,08% для выявления аномалий почек, рака легких и COVID-19 соответственно. Наш анализ показывает, что компонент, управляемый неопределенностью, обеспечивает значительные преимущества, при этом производительность резко возрастает при полной реализации прогрессивного обучающего конвейера. Наш код доступен по адресу: 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