Een Studie naar de Prestaties van U-Net Aanpassingen bij de Segmentatie van Retroperitoneale Tumoren

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

Samenvatting

Het retroperitoneum herbergt een verscheidenheid aan tumoren, waaronder zeldzame goedaardige en kwaadaardige types, die diagnostische en behandelingsuitdagingen met zich meebrengen vanwege hun zeldzaamheid en nabijheid tot vitale structuren. Het schatten van de tumorgrootte is moeilijk vanwege hun onregelmatige vormen, en handmatige segmentatie is tijdrovend. Automatische segmentatie met behulp van U-Net en zijn varianten, waarin Vision Transformer (ViT) elementen zijn opgenomen, heeft veelbelovende resultaten laten zien, maar worstelt met hoge rekenkundige eisen. Om dit aan te pakken, bieden architecturen zoals het Mamba State Space Model (SSM) en Extended Long-Short Term Memory (xLSTM) efficiënte oplossingen door het omgaan met langeafhankelijkheden met lagere resourceconsumptie. Deze studie evalueert U-Net verbeteringen, waaronder CNN, ViT, Mamba en xLSTM, op een nieuwe CT-dataset in eigen beheer en een openbaar orgaansegmentatiedataset. Het voorgestelde ViLU-Net model integreert Vi-blokken voor verbeterde segmentatie. De resultaten benadrukken de efficiëntie van xLSTM in het U-Net framework. De code is openbaar toegankelijk op 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.