Doppler-Enhanced Deep Learning: Miglioramento della Segmentazione dei Noduli Tiroidei con la Segmentazione Istanziale YOLOv5

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

November 29, 2025

Autori: Mahmoud El Hussieni

cs.AI

Abstract

La crescente prevalenza del carcinoma tiroideo a livello globale ha portato allo sviluppo di vari metodi computerizzati di rilevamento assistito. La segmentazione accurata dei noduli tiroidei rappresenta un passo critico iniziale nello sviluppo di sistemi di supporto alle decisioni cliniche assistiti dall'intelligenza artificiale. Questo studio si concentra sulla segmentazione di istanza dei noduli tiroidei utilizzando gli algoritmi YOLOv5 su immagini ecografiche. Abbiamo valutato multiple varianti di YOLOv5 (Nano, Small, Medium, Large e XLarge) su due versioni di dataset, con e senza immagini doppler. L'algoritmo YOLOv5-Large ha ottenuto le prestazioni più elevate con un punteggio dice del 91% e una mAP di 0,87 sul dataset che includeva le immagini doppler. È importante notare che i nostri risultati dimostrano come le immagini doppler, solitamente escluse dai medici, possano migliorare significativamente le prestazioni di segmentazione. Il modello YOLOv5-Small ha raggiunto un punteggio dice del 79% quando le immagini doppler erano escluse, mentre la loro inclusione ha migliorato le prestazioni in tutte le varianti del modello. Questi risultati suggeriscono che la segmentazione di istanza con YOLOv5 fornisce un approccio efficace in tempo reale per il rilevamento dei noduli tiroidei, con potenziali applicazioni cliniche nei sistemi diagnostici automatizzati.

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.