基于 YOLO 的腕部骨折检测提升
计算机视觉与模式识别
2024-07-31 v2
摘要
诊断和治疗腕部（具体为髁骨和尺骨）异常，尤其是儿童、青少年和年轻成年人，由于青春期发育高发率，是一个关键关注问题。然而，放射科医生稀缺且医务人员缺乏专业培训，给患者护理带来显著风险。 imaging 研究数量增加且专科报告获取受限的地区问题进一步加剧了这一挑战。这凸显了需要创新解决方案以改善腕部异常诊断和治疗的必要性。利用目标检测进行腕部骨折自动化检测已显示潜力，但当前研究主要使用两阶段检测方法，且单阶段有效性证据有限。本研究采用最先进的单阶段深度神经网络检测模型 YOLOv5、YOLOv6、YOLOv7 和 YOLOv8 来检测腕部异常。通过大量实验，我们发现这些 YOLO 模型在骨折检测中优于常用两阶段检测算法 Faster R-CNN。此外，比较了每个 YOLO 模型的复合尺度变体，其中 YOLOv8m 在骨折检测灵敏度达到 0.92，平均精度（mAP）达到 0.95。另一方面，YOLOv6m 在所有类别中实现最高灵敏度 0.83。而 YOLOv8x 在 GRAZPEDWRI-DX 儿童腕部数据集上所有类别的最高 mAP 为 0.77，凸显了单阶段模型在改善儿童腕部影像中的潜力。
引用
@article{arxiv.2407.12597,
title = {Enhancing Wrist Fracture Detection with YOLO},
author = {Ammar Ahmed and Ali Shariq Imran and Abdul Manaf and Zenun Kastrati and Sher Muhammad Daudpota},
journal= {arXiv preprint arXiv:2407.12597},
year = {2024}
}