Thyroid diseases are increasingly prevalent and have a major influence on endocrine and metabolic functions. Ultrasound imaging is popular for early diagnosis and categorizing thyroid abnormalities because it is non-invasive, inexpensive, and real-time. From this paper, we planned to study the recent developments in computer-aided diagnosis (CAD) systems in detecting and classifying thyroid diseases based on ultrasound images. Researchers are focused on traditional image processing algorithms, machine learning techniques, and deep learning techniques to improve accuracy. Modern classifiers like convolutional neural networks (CNNs) have garnered much attention in nodule segmentation, benign/malignant classification, and feature extraction. Our study encompasses major methodologies, datasets, performance measures, and challenges. Our investigation seeks to integrate a comprehensive view of existing studies in this area, point out existing gaps, and make recommendations on future research in thyroid ultrasound image analysis. From our survey, we concluded that the Deep learning models have shown superior performance relative to traditional techniques in several benchmark studies with very good accuracy, sensitivity, and specificity.
Las enfermedades tiroideas son cada vez más prevalentes y tienen una gran influencia en las funciones endocrinas y metabólicas. La ecografía es popular para el diagnóstico temprano y la categorización de anomalías tiroideas porque es no invasiva, económica y en tiempo real. En este trabajo se estudian los avances recientes en los sistemas de diagnóstico asistido por computadora (CAD) para la detección y clasificación de enfermedades tiroideas a partir de imágenes ecográficas. Los investigadores se han centrado en algoritmos tradicionales de procesamiento de imágenes, técnicas de aprendizaje automático y técnicas de aprendizaje profundo para mejorar la precisión. Clasificadores modernos como las redes neuronales convolucionales (CNN) han recibido gran atención en la segmentación de nódulos, la clasificación benigno/maligno y la extracción de características. Nuestro estudio abarca las principales metodologías, conjuntos de datos, medidas de desempeño y desafíos. La investigación busca integrar una visión integral de los estudios existentes en esta área, señalar las brechas actuales y hacer recomendaciones para futuras investigaciones en el análisis de imágenes ecográficas tiroideas. De nuestra revisión concluimos que los modelos de aprendizaje profundo han mostrado un desempeño superior en comparación con las técnicas tradicionales en varios estudios de referencia, con muy buena precisión, sensibilidad y especificidad.
