Исследование производительности модификаций U-Net в сегментации опухолей в ретроперитонеуме

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

February 1, 2025

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

cs.AI

Аннотация

Ретроперитонеальная область является местом обитания различных опухолей, включая редкие доброкачественные и злокачественные типы, которые представляют диагностические и терапевтические вызовы из-за их редкости и близости к важным структурам. Оценка объема опухоли затруднена из-за их неправильных форм, а ручная сегментация занимает много времени. Автоматическая сегментация с использованием U-Net и его вариантов, включая элементы Vision Transformer (ViT), продемонстрировала многообещающие результаты, но сталкивается с высокими вычислительными требованиями. Для решения этой проблемы архитектуры, такие как Mamba State Space Model (SSM) и Extended Long-Short Term Memory (xLSTM), предлагают эффективные решения, обрабатывая долгосрочные зависимости с более низким потреблением ресурсов. В данном исследовании оцениваются улучшения U-Net, включая CNN, ViT, Mamba и xLSTM, на новом внутреннем наборе данных CT и общедоступном наборе данных сегментации органов. Предложенная модель ViLU-Net интегрирует Vi-блоки для улучшенной сегментации. Результаты подчеркивают эффективность xLSTM в рамках U-Net. Код общедоступен на 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.