A study on the performance of U-Net modifications in retroperitoneal tumor segmentation
Notice bibliographique
Résumé
The retroperitoneum presents a diverse array of pathologies, encompassing both rare benign tumors and malignant neoplasms, which can be either primary or metastatic. Diagnosing and treating these tumors can be challenging due to their infrequency, late presentation, and their close association with critical structures in the retroperitoneal space. Estimating the volume of retroperitoneal tumors is often challenging due to their large dimensions and irregular shape. Automatic semantic segmentation of tumors is crucial for comprehensive medical image analysis, impacting accurate cancer diagnosis and treatment planning due to manual segmentation’s time-consuming and tedious nature. U-Net and its variants incorporate the various convolutions of Vision Transformer (ViT) designs and have delivered top-notch results in 2D and 3D medical image segmentation tasks across diverse imaging modalities. ViTs excel at extracting global information, yet face scalability issues due to high computational and memory costs, making them challenging to use in medical applications with hardware constraints. Recently, architectures like the Mamba State Space Model (SSM) have been developed to address the quadratic computational demands of Transformers. Additionally, Extended Long-Short Term Memory (xLSTM) has emerged as a noteworthy successor to traditional LSTMs, offering a competitive edge in sequence modeling. Like SSMs, xLSTM excels at managing long-range dependencies while maintaining linear computational and memory efficiency. This study aimed to evaluate the U-Net-based modifications from the convolutional neural networks (CNNs), ViT, mamba, and the new xLSTM companions over the newly introduced in-house CT dataset along a publicly available organ segmentation dataset. Specifically, we introduce ViLU-Net designed by incorporating Vi-blocks into the encoder-decoder framework to advance biomedical image segmentation. The results point out the efficacy of xLSTM within the U-Net structure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».