腹膜後腫瘍セグメンテーションにおけるU-Net改良の性能に関する研究

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

February 1, 2025

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

cs.AI

要旨

腹膜後腔には、稀な良性および悪性の種類を含むさまざまな腫瘍が存在し、その希少性と重要な構造物に近接しているため、診断および治療において課題が生じます。腫瘍の容積を推定することは困難であり、その不規則な形状のため、手動セグメンテーションは時間がかかります。U-Netおよびその派生物を使用した自動セグメンテーションは、Vision Transformer（ViT）要素を組み込んでおり、有望な結果を示していますが、高い計算要求に苦しんでいます。この問題に対処するために、Mamba State Space Model（SSM）やExtended Long-Short Term Memory（xLSTM）などのアーキテクチャが、リソース消費を低減しつつ長距離依存関係を処理する効率的な解決策を提供しています。本研究では、新しい社内CTデータセットと公開されている臓器セグメンテーションデータセットを使用して、CNN、ViT、Mamba、およびxLSTMを含むU-Netの拡張機能を評価します。提案されたViLU-Netモデルは、改良されたセグメンテーションのためにVi-blocksを統合しています。結果は、U-NetフレームワークにおけるxLSTMの効率性を示しています。コードはGitHubで一般にアクセス可能です。

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.