Segmentação de Nódulos Tireoidianos Aprimorada por Doppler: Melhorando a Segmentação por Instância com YOLOv5

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

November 29, 2025

Autores: Mahmoud El Hussieni

cs.AI

Resumo

A crescente prevalência do câncer de tireoide globalmente tem levado ao desenvolvimento de vários métodos computadorizados de auxílio à detecção. A segmentação precisa de nódulos tireoidianos é uma etapa crítica inicial no desenvolvimento de sistemas de apoio à decisão clínica assistidos por IA. Este estudo foca na segmentação por instâncias de nódulos tireoidianos utilizando algoritmos YOLOv5 em imagens de ultrassom. Avaliamos múltiplas variantes do YOLOv5 (Nano, Small, Medium, Large e XLarge) em duas versões de conjuntos de dados, com e sem imagens doppler. O algoritmo YOLOv5-Large alcançou o maior desempenho, com um índice de dice de 91% e mAP de 0,87 no conjunto de dados que incluiu imagens doppler. Notavelmente, nossos resultados demonstram que as imagens doppler, tipicamente excluídas pelos médicos, podem melhorar significativamente o desempenho da segmentação. O modelo YOLOv5-Small alcançou 79% no índice de dice quando as imagens doppler foram excluídas, enquanto a sua inclusão melhorou o desempenho em todas as variantes do modelo. Esses achados sugerem que a segmentação por instâncias com YOLOv5 fornece uma abordagem eficaz em tempo real para a detecção de nódulos tireoidianos, com potenciais aplicações clínicas em sistemas de diagnóstico automatizados.

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.