Улучшение сегментации узлов щитовидной железы с YOLOv5

Введение

С увеличением заболеваемости раком щитовидной железы по всему миру разрабатываются различные методы компьютерной диагностики. Точная сегментация узлов щитовидной железы является важным первым шагом в создании систем поддержки клинических решений с использованием ИИ.

Цели исследования

Данное исследование сосредоточено на сегментации узлов щитовидной железы с использованием алгоритмов YOLOv5 на ультразвуковых изображениях.

Методология

Мы оценили несколько вариантов YOLOv5 (Nano, Small, Medium, Large и XLarge) на двух версиях датасета: с допплеровскими изображениями и без них.

Результаты

Алгоритм YOLOv5-Large показал наилучшие результаты с dice score 91% и mAP 0.87 на датасете с допплеровскими изображениями. Примечательно, что наши результаты демонстрируют, что допплеровские изображения, которые обычно исключаются врачами, могут значительно улучшить качество сегментации.

Сравнение моделей

• YOLOv5-Small: dice score 79% без допплеровских изображений.
• Все модели показали улучшение производительности при включении допплеровских изображений.

Заключение

Эти результаты указывают на то, что сегментация с использованием YOLOv5 предоставляет эффективный подход для обнаружения узлов щитовидной железы в реальном времени, с потенциальными клиническими приложениями в автоматизированных диагностических системах.

Материал носит информационный характер и не является профессиональной консультацией. Часть материалов издания готовится с использованием нейросетевых инструментов и проверяется редакцией по первоисточникам — подробнее в пользовательском соглашении. Нашли неточность или считаете, что материал нарушает ваши права — сообщите редакции, обращения рассматриваются в течение суток.