도플러 향상 딥러닝: YOLOv5 인스턴스 세분화를 이용한 갑상선 결절 분할 성능 향상

초록

전 세계적으로 갑상선암의 유병률이 증가함에 따라 다양한 컴퓨터 보조 검출 방법이 개발되고 있다. 갑상선 결절의 정확한 분할은 인공지능 기반 임상 의사결정 지원 시스템 개발에 있어 중요한 첫 단계이다. 본 연구는 초음파 영상에서 YOLOv5 알고리즘을 이용한 갑상선 결절의 인스턴스 분할에 중점을 둔다. 우리는 도플러 영상 포함 및 미포함 두 가지 데이터셋 버전에 대해 여러 YOLOv5 변종(Nano, Small, Medium, Large, XLarge)을 평가하였다. YOLOv5-Large 알고리즘은 도플러 영상을 포함한 데이터셋에서 91%의 Dice 점수와 0.87의 mAP로 가장 높은 성능을 달성했다. 특히, 의사들이 일반적으로 제외하는 도플러 영상이 분할 성능을 크게 향상시킬 수 있음을 결과를 통해 확인했다. 도플러 영상을 제외했을 때 YOLOv5-Small 모델의 Dice 점수는 79%였으나, 이를 포함시킴으로써 모든 모델 변종에서 성능이 개선되었다. 이러한 결과는 YOLOv5를 이용한 인스턴스 분할이 갑상선 결절 검출을 위한 효과적인 실시간 접근법을 제공하며, 자동화 진단 시스템에 임상적으로 적용될 잠재력이 있음을 시사한다.

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.

도플러 향상 딥러닝: YOLOv5 인스턴스 세분화를 이용한 갑상선 결절 분할 성능 향상

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

초록

Support