Допплер-улучшенное глубокое обучение: повышение точности сегментации узлов щитовидной железы с помощью YOLOv5 Instance Segmentation
Doppler-Enhanced Deep Learning: Improving Thyroid Nodule Segmentation with YOLOv5 Instance Segmentation
November 29, 2025
Авторы: Mahmoud El Hussieni
cs.AI
Аннотация
Растущая распространенность рака щитовидной железы в мире стимулировала разработку различных методов компьютерного обнаружения. Точная сегментация узлов щитовидной железы является критически важным первым шагом в создании систем поддержки клинических решений на основе ИИ. Данное исследование посвящено сегментации экземпляров узлов щитовидной железы с использованием алгоритмов YOLOv5 на ультразвуковых изображениях. Мы оценили несколько вариантов YOLOv5 (Nano, Small, Medium, Large и XLarge) на двух версиях набора данных: с допплеровскими изображениями и без них. Алгоритм YOLOv5-Large показал наивысшую производительность с показателем Dice 91% и mAP 0.87 на наборе данных, включающем допплеровские изображения. Примечательно, что наши результаты демонстрируют, что допплеровские изображения, которые врачи обычно исключают, могут значительно улучшить качество сегментации. Модель YOLOv5-Small достигла показателя Dice 79%, когда допплеровские изображения были исключены, в то время как их включение улучшило результаты всех модельных вариантов. Полученные данные свидетельствуют о том, что сегментация экземпляров с помощью YOLOv5 предоставляет эффективный подход к обнаружению узлов щитовидной железы в реальном времени с потенциальным клиническим применением в автоматизированных диагностических системах.
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.