Segmentación Mejorada por Doppler: Mejora de la Segmentación de Nódulos Tiroideos con Segmentación por Instancias YOLOv5

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

November 29, 2025

Autores: Mahmoud El Hussieni

cs.AI

Resumen

La creciente prevalencia del cáncer de tiroides a nivel mundial ha impulsado el desarrollo de diversos métodos de detección asistida por computadora. La segmentación precisa de los nódulos tiroideos es un primer paso crítico en el desarrollo de sistemas de apoyo a la decisión clínica asistidos por IA. Este estudio se centra en la segmentación por instancias de nódulos tiroideos utilizando algoritmos YOLOv5 en imágenes de ultrasonido. Evaluamos múltiples variantes de YOLOv5 (Nano, Pequeño, Mediano, Grande y XGrande) en dos versiones de conjuntos de datos, con y sin imágenes Doppler. El algoritmo YOLOv5-Grande logró el mayor rendimiento con un índice de Dice del 91% y un mAP de 0,87 en el conjunto de datos que incluía imágenes Doppler. Cabe destacar que nuestros resultados demuestran que las imágenes Doppler, que los médicos suelen excluir, pueden mejorar significativamente el rendimiento de la segmentación. El modelo YOLOv5-Pequeño alcanzó un índice de Dice del 79% cuando se excluyeron las imágenes Doppler, mientras que su inclusión mejoró el rendimiento en todas las variantes del modelo. Estos hallazgos sugieren que la segmentación por instancias con YOLOv5 proporciona un enfoque efectivo en tiempo real para la detección de nódulos tiroideos, con potenciales aplicaciones clínicas en sistemas de diagnóstico automatizado.

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.