AI论文精选
⏶0

UGPL：不确定性引导的渐进学习，用于计算机断层扫描中基于证据的分类

发表
由 Shravan VenkatramanShravan Venkatraman 提交
作者: Shravan VenkatramanShravan Venkatraman, pavankumarsPavan Kumar S, Rakesh Raj Madavan, Chandrakala S

摘要

计算机断层扫描（CT）图像的准确分类对于诊断和治疗规划至关重要，但现有方法常常难以处理病理特征的微小和空间多样性。当前方法通常统一处理图像，限制了它们检测需要重点分析的局部异常的能力。我们引入了UGPL，一种不确定性引导的渐进式学习框架，它通过首先识别诊断模糊区域，然后对这些关键区域进行详细检查，从而执行从全局到局部的分析。我们的方法采用证据深度学习来量化预测不确定性，通过一种保持空间多样性的非最大抑制机制来指导信息补丁的提取。这种渐进式细化策略与自适应融合机制相结合，使UGPL能够整合上下文信息和细粒度细节。在三个CT数据集上的实验表明，UGPL持续优于最先进的方法，在肾脏异常、肺癌和COVID-19检测的准确性方面分别取得了3.29%、2.46%和8.08%的提升。我们的分析显示，不确定性引导组件提供了实质性益处，当实施完整的渐进式学习流程时，性能显著提高。我们的代码可在以下网址获取：https://github.com/shravan-18/UGPL
查看 arXiv 页面查看 PDF
UGPL：不确定性引导的渐进学习，用于计算机断层扫描中基于证据的分类
UGPL：不确定性引导的渐进学习，用于计算机断层扫描中基于证据的分类

评论

Shravan VenkatramanShravan Venkatraman
论文作者
论文提交者

🧠 本文介绍了 UGPL：一种通过利用不确定性估计，通过渐进式多尺度细化，将分析重点放在模糊区域，从而指导 CT 图像分类的方法。

🏠 项目页面：https://shravan-18.github.io/UGPL/

💻 代码：https://github.com/shravan-18/UGPL

📄 arXiv：https://arxiv.org/abs/2507.14102