基于关键区域与尺度感知的增强型骨折诊断YOLO
计算机视觉与模式识别
2025-09-30 v1 人工智能
摘要
骨折检测在医学影像分析中起着关键作用。传统骨折诊断依赖经验丰富的医师进行视觉评估，但其速度和准确性受限于专业水平。随着人工智能的快速发展，基于YOLO框架的深度学习模型已被广泛应用于骨折检测，在提高诊断效率和准确性方面展现出显著潜力。本研究提出了一种改进的YOLO模型——Fracture-YOLO，该模型集成了新颖的关键区域选择注意力机制（CRSelector）和尺度感知（ScA）头以进一步提升检测性能。具体而言，CRSelector模块利用全局纹理信息聚焦于骨折区域的关键特征。同时，ScA模块动态调整不同尺度特征的权重，增强模型在多尺度下识别骨折目标的能力。实验结果表明，与基线模型相比，Fracture-YOLO在检测精度上取得了显著提升，mAP50和mAP50-95分别提高了4和3，超越了基线模型并达到了最先进的（SOTA）性能。
引用
@article{arxiv.2509.23408,
title = {Enhanced Fracture Diagnosis Based on Critical Regional and Scale Aware in YOLO},
author = {Yuyang Sun and Junchuan Yu and Cuiming Zou},
journal= {arXiv preprint arXiv:2509.23408},
year = {2025}
}