Une étude sur les performances des modifications de U-Net dans la segmentation des tumeurs rétropéritonéales

A Study on the Performance of U-Net Modifications in Retroperitoneal Tumor Segmentation

February 1, 2025

Auteurs: Moein Heidari, Ehsan Khodapanah Aghdam, Alexander Manzella, Daniel Hsu, Rebecca Scalabrino, Wenjin Chen, David J. Foran, Ilker Hacihaliloglu

cs.AI

Résumé

Le rétropéritoine abrite une variété de tumeurs, y compris des types rares bénins et malins, qui posent des défis diagnostiques et thérapeutiques en raison de leur rareté et de leur proximité avec des structures vitales. Estimer le volume des tumeurs est difficile en raison de leurs formes irrégulières, et la segmentation manuelle est chronophage. La segmentation automatique utilisant U-Net et ses variantes, intégrant des éléments de Vision Transformer (ViT), a montré des résultats prometteurs mais rencontre des difficultés liées à des exigences computationnelles élevées. Pour remédier à cela, des architectures telles que le Modèle d'Espace d'État Mamba (SSM) et la Mémoire à Long Terme à Court Terme Étendue (xLSTM) offrent des solutions efficaces en traitant les dépendances à longue distance avec une consommation de ressources moindre. Cette étude évalue les améliorations d'U-Net, notamment CNN, ViT, Mamba et xLSTM, sur un nouvel ensemble de données CT interne et un ensemble de données public sur la segmentation des organes. Le modèle proposé ViLU-Net intègre des blocs Vi pour une segmentation améliorée. Les résultats mettent en évidence l'efficacité de xLSTM dans le cadre d'U-Net. Le code est accessible publiquement sur GitHub.

English

The retroperitoneum hosts a variety of tumors, including rare benign and malignant types, which pose diagnostic and treatment challenges due to their infrequency and proximity to vital structures. Estimating tumor volume is difficult due to their irregular shapes, and manual segmentation is time-consuming. Automatic segmentation using U-Net and its variants, incorporating Vision Transformer (ViT) elements, has shown promising results but struggles with high computational demands. To address this, architectures like the Mamba State Space Model (SSM) and Extended Long-Short Term Memory (xLSTM) offer efficient solutions by handling long-range dependencies with lower resource consumption. This study evaluates U-Net enhancements, including CNN, ViT, Mamba, and xLSTM, on a new in-house CT dataset and a public organ segmentation dataset. The proposed ViLU-Net model integrates Vi-blocks for improved segmentation. Results highlight xLSTM's efficiency in the U-Net framework. The code is publicly accessible on GitHub.