Doppler-verbesserte Deep-Learning-Methodik: Verbesserung der Schilddrüsenknotensegmentierung mittels YOLOv5-Instanzsegmentierung

Doppler-Enhanced Deep Learning: Improving Thyroid Nodule Segmentation with YOLOv5 Instance Segmentation

November 29, 2025

papers.authors: Mahmoud El Hussieni

cs.AI

papers.abstract

Die zunehmende Prävalenz von Schilddrüsenkrebs weltweit hat zur Entwicklung verschiedener computergestützter Detektionsmethoden geführt. Eine präzise Segmentierung von Schilddrüsenknoten ist ein entscheidender erster Schritt bei der Entwicklung KI-gestützter klinischer Entscheidungshilfesysteme. Diese Studie konzentriert sich auf die Instanzsegmentierung von Schilddrüsenknoten mittels YOLOv5-Algorithmen in Ultraschallbildern. Wir evaluierten mehrere YOLOv5-Varianten (Nano, Small, Medium, Large und XLarge) an zwei Datensatzversionen, mit und ohne Doppler-Bilder. Der YOLOv5-Large-Algorithmus erzielte die höchste Leistung mit einem Dice-Koeffizienten von 91 % und einem mAP-Wert von 0,87 im Datensatz mit Doppler-Bildern. Bemerkenswerterweise zeigen unsere Ergebnisse, dass Doppler-Bilder, die typischerweise von Ärzten ausgeschlossen werden, die Segmentierungsleistung erheblich verbessern können. Das YOLOv5-Small-Modell erreichte einen Dice-Koeffizienten von 79 %, wenn Doppler-Bilder ausgeschlossen wurden, während deren Einbeziehung die Leistung aller Modellvarianten steigerte. Diese Ergebnisse legen nahe, dass die Instanzsegmentierung mit YOLOv5 einen effektiven Echtzeitansatz für die Detektion von Schilddrüsenknoten bietet, mit potenziellen klinischen Anwendungen in automatisierten Diagnosesystemen.

English

The increasing prevalence of thyroid cancer globally has led to the development of various computer-aided detection methods. Accurate segmentation of thyroid nodules is a critical first step in the development of AI-assisted clinical decision support systems. This study focuses on instance segmentation of thyroid nodules using YOLOv5 algorithms on ultrasound images. We evaluated multiple YOLOv5 variants (Nano, Small, Medium, Large, and XLarge) across two dataset versions, with and without doppler images. The YOLOv5-Large algorithm achieved the highest performance with a dice score of 91\% and mAP of 0.87 on the dataset including doppler images. Notably, our results demonstrate that doppler images, typically excluded by physicians, can significantly improve segmentation performance. The YOLOv5-Small model achieved 79\% dice score when doppler images were excluded, while including them improved performance across all model variants. These findings suggest that instance segmentation with YOLOv5 provides an effective real-time approach for thyroid nodule detection, with potential clinical applications in automated diagnostic systems.