U-Net改进模型在腹膜后肿瘤分割中的性能研究
图像与视频处理
2025-02-04 v1 计算机视觉与模式识别
摘要
腹膜后区域存在多种肿瘤，包括罕见的良性和恶性类型，由于其罕见性和邻近重要结构，给诊断和治疗带来了挑战。由于肿瘤形状不规则，估算其体积较为困难，且手动分割耗时。使用U-Net及其结合了视觉Transformer（ViT）元素的变体进行自动分割已显示出有前景的结果，但面临高计算需求的挑战。为解决此问题，Mamba状态空间模型（SSM）和扩展长短期记忆网络（xLSTM）等架构通过以较低资源消耗处理长距离依赖关系，提供了高效的解决方案。本研究在一个新的内部CT数据集和一个公开器官分割数据集上，评估了包括CNN、ViT、Mamba和xLSTM在内的U-Net增强模型。所提出的ViLU-Net模型集成了Vi-blocks以改进分割。结果凸显了xLSTM在U-Net框架中的效率。代码已在GitHub上公开。
引用
@article{arxiv.2502.00314,
title = {A Study on the Performance of U-Net Modifications in Retroperitoneal Tumor Segmentation},
author = {Moein Heidari and Ehsan Khodapanah Aghdam and Alexander Manzella and Daniel Hsu and Rebecca Scalabrino and Wenjin Chen and David J. Foran and Ilker Hacihaliloglu},
journal= {arXiv preprint arXiv:2502.00314},
year = {2025}
}
备注
Accepted for presentation at the 2025 SPIE Medical Imaging Conference