多普勒增强深度学习：使用YOLOv5实例分割提高甲状腺结节分割效果
计算机视觉与模式识别
2025-12-02 v1 人工智能
计算工程、金融与科学
机器学习
性能
摘要
全球甲状腺癌的流行率不断上升，推动了各种计算机辅助检测方法的开发。准确的甲状腺结节分割是开发AI辅助临床决策系统的关键第一步。本研究聚焦于使用YOLOv5算法对甲状腺结节进行实例分割。我们评估了多个YOLOv5变体(Nano、Small、Medium、Large和XLarge)，在两个数据集版本上进行测试，分别包含和不包含多普勒图像。YOLOv5-Large算法在包含多普勒图像的数据集上实现了最高性能，Dice得分达91%，mAP为0.87。值得注意的是，我们的结果表明，多普勒图像（通常被医生排除）可以显著提高分割性能。YOLOv5-Small模型在排除多普勒图像时达到79%的Dice得分，而包括多普勒图像后，所有模型变体的性能均得到提升。这些发现表明，YOLOv5的实例分割提供了一种有效的实时方法用于甲状腺结节检测，具有潜在的临床应用于自动化诊断系统。
引用
@article{arxiv.2512.00639,
title = {Doppler-Enhanced Deep Learning: Improving Thyroid Nodule Segmentation with YOLOv5 Instance Segmentation},
author = {Mahmoud El Hussieni},
journal= {arXiv preprint arXiv:2512.00639},
year = {2025}
}