Deep Learning Amélioré par Doppler : Amélioration de la Segmentation des Nodules Thyroïdiens par Segmentation d'Instances YOLOv5

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

November 29, 2025

papers.authors: Mahmoud El Hussieni

cs.AI

papers.abstract

La prévalence croissante du cancer de la thyroïde à l'échelle mondiale a conduit au développement de diverses méthodes de détection assistée par ordinateur. La segmentation précise des nodules thyroïdiens constitue une première étape cruciale dans le développement de systèmes d'aide à la décision clinique assistés par l'IA. Cette étude se concentre sur la segmentation d'instances des nodules thyroïdiens en utilisant les algorithmes YOLOv5 sur des images échographiques. Nous avons évalué plusieurs variantes de YOLOv5 (Nano, Small, Medium, Large et XLarge) sur deux versions d'un jeu de données, avec et sans images Doppler. L'algorithme YOLOv5-Large a obtenu les meilleures performances avec un score de Dice de 91 % et une mAP de 0,87 sur le jeu de données incluant les images Doppler. Il est à noter que nos résultats démontrent que les images Doppler, généralement exclues par les médecins, peuvent significativement améliorer les performances de segmentation. Le modèle YOLOv5-Small a atteint un score de Dice de 79 % lorsque les images Doppler étaient exclues, tandis que leur inclusion a amélioré les performances pour toutes les variantes de modèles. Ces résultats suggèrent que la segmentation d'instances avec YOLOv5 offre une approche efficace en temps réel pour la détection des nodules thyroïdiens, avec des applications cliniques potentielles dans les systèmes de diagnostic automatisés.

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.