Um Estudo sobre o Desempenho das Modificações do U-Net na Segmentação de Tumores Retroperitoneais

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

February 1, 2025

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

cs.AI

Resumo

O retroperitônio abriga uma variedade de tumores, incluindo tipos raros benignos e malignos, que apresentam desafios diagnósticos e de tratamento devido à sua infrequência e proximidade de estruturas vitais. Estimar o volume do tumor é difícil devido às suas formas irregulares, e a segmentação manual é demorada. A segmentação automática usando U-Net e suas variantes, incorporando elementos do Transformador de Visão (ViT), tem mostrado resultados promissores, mas enfrenta dificuldades com altas demandas computacionais. Para lidar com isso, arquiteturas como o Modelo de Espaço de Estado Mamba (SSM) e Memória Estendida de Longo e Curto Prazo (xLSTM) oferecem soluções eficientes ao lidar com dependências de longo alcance com menor consumo de recursos. Este estudo avalia melhorias na U-Net, incluindo CNN, ViT, Mamba e xLSTM, em um novo conjunto de dados de TC interno e um conjunto de dados público de segmentação de órgãos. O modelo proposto ViLU-Net integra blocos Vi para uma segmentação aprimorada. Os resultados destacam a eficiência do xLSTM no framework U-Net. O código está publicamente acessível no 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.