ドップラー強調深層学習：YOLOv5インスタンスセグメンテーションによる甲状腺結節セグメンテーションの改善

要旨

甲状腺癌の世界的な増加に伴い、様々なコンピュータ支援検出法が開発されている。甲状腺結節の正確なセグメンテーションは、AI支援による臨床意思決定支援システムを開発する上で重要な第一歩である。本研究では、超音波画像におけるYOLOv5アルゴリズムを用いた甲状腺結節のインスタンスセグメンテーションに焦点を当てる。ドプラ画像を含むバージョンと含まないバージョンの2種類のデータセットに対して、複数のYOLOv5バリアント（Nano、Small、Medium、Large、XLarge）を評価した。YOLOv5-Largeアルゴリズムは、ドプラ画像を含むデータセットにおいてダイス係数91％、mAP 0.87で最高の性能を達成した。特に、医師によって通常除外されるドプラ画像がセグメンテーション性能を大幅に向上させ得ることを結果は示している。ドプラ画像を除外した場合、YOLOv5-Smallモデルはダイス係数79％であったが、ドプラ画像を含めることで全てのモデルバリアントで性能が向上した。これらの知見は、YOLOv5を用いたインスタンスセグメンテーションが甲状腺結節検出の効果的なリアルタイム手法を提供し、自動診断システムにおける臨床応用の可能性を持つことを示唆している。

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.

ドップラー強調深層学習：YOLOv5インスタンスセグメンテーションによる甲状腺結節セグメンテーションの改善

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

要旨

Support