Hyper-parameter tuning of the u-net architecture for enhanced detection of small organs in ct images

Abstract

Accurate segmentation of small organs in medical imaging plays a critical role in diagnosis, treatment planning, and clinical decision support. However, segmenting structures such as the thyroid or optic nerve remains a significant challenge due to their small size, low contrast, and anatomical variability. Recent advances in deep learning (DL), particularly convolutional neural networks (CNN) like U-Net, have opened new possibilities in biomedical image segmentation. These models have demonstrated strong potential, but their success depends heavily on the careful tuning of training parameters such as the learning rate, number of epochs, and batch settings. In this work, a U-Net architecture was applied to segment small organs, with a focus on optimizing performance through hyperparameter tuning and evaluating results using the Dice coefficient. While encouraging results were obtained for the thyroid, highlighting the model’s ability to perform precise segmentation, the optic nerve posed greater difficulties. Its tiny size and weak visual boundaries made it harder for the model to generalize effectively. These observations suggest that, beyond standard training adjustments, more advanced methods, including custom loss functions, attention mechanisms, or multiscale feature extraction, may be essential to improve segmentation of very small anatomical structures ==================================================================================================== Lasegmentationprécisedespetitsorganesenimageriemédicalejoueunrôlecrucialdansle diagnostic, la planification du traitement et l'aide à la décision clinique. Cependant, la segmentation de structures telles que la thyroïde ou le nerf optique reste un défi majeur en raison de leur petite taille, de leur faible contraste et de leur variabilité anatomique.

Lesrécentsprogrèsenapprentissageprofond(deeplearning),enparticulierlesréseauxde neurones convolutifs (CNN) comme U-Net, ont ouvert de nouvelles perspectives dans la segmentation d’images biomédicales. Ces modèles ont montré un fort potentiel, mais leur succèsdépendfortementduréglageminutieuxdeparamètresd'entraînementtelsqueletaux d’apprentissage, le nombre d’époques et la taille des lots.

Dans ce travail, une architecture U-Net a été utilisée pour segmenter de petits organes, avecun accent mis sur l'optimisation des performances par un ajustement des hyperparamètres et uneévaluationdesrésultatsàl'aideducoefficientdeDice.Desrésultatsencourageantsontété obtenus pour la thyroïde, soulignant la capacité du modèle à effectuer une segmentation précise. En revanche, le nerf optique a posé plus de difficultés. Sa très petite taille et ses faibles limites visuelles ont rendu plus difficile la généralisation du modèle.

Ces observations suggèrent qu’au-delà des ajustements standards d'entraînement, des méthodesplusavancéestellesquedesfonctionsdepertepersonnalisées,desmécanismes d'attentionoul’extractiondecaractéristiquesàplusieurséchelles peuvent êtrenécessaires pour améliorer la segmentation des structures anatomiques très petites.