Doppler-verbeterde Deep Learning: Verbetering van de Segmentatie van Schildklierknobbels met YOLOv5 Instance Segmentation

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

November 29, 2025

Auteurs: Mahmoud El Hussieni

cs.AI

Samenvatting

De wereldwijd toenemende prevalentie van schildklierkanker heeft geleid tot de ontwikkeling van diverse computerondersteunde detectiemethoden. Nauwkeurige segmentatie van schildklierknobbels is een cruciale eerste stap in de ontwikkeling van AI-ondersteunde klinische beslissingsondersteunende systemen. Deze studie richt zich op instancesegmentatie van schildklierknobbels met behulp van YOLOv5-algoritmen op echobeelden. Wij evalueerden meerdere YOLOv5-varianten (Nano, Small, Medium, Large en XLarge) op twee datasetversies, met en zonder dopplerbeelden. Het YOLOv5-Large-algoritme behaalde de hoogste prestaties met een dice-score van 91% en een mAP van 0,87 op de dataset inclusief dopplerbeelden. Opmerkelijk is dat onze resultaten aantonen dat dopplerbeelden, die doorgaans door artsen worden uitgesloten, de segmentatieprestaties aanzienlijk kunnen verbeteren. Het YOLOv5-Small-model behaalde een dice-score van 79% wanneer dopplerbeelden werden uitgesloten, terwijl het includeren ervan de prestaties bij alle modelvarianten verbeterde. Deze bevindingen suggereren dat instancesegmentatie met YOLOv5 een effectieve real-time benadering biedt voor de detectie van schildklierknobbels, met potentiële klinische toepassingen in geautomatiseerde diagnostische systemen.

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.