YOLOv8 全局上下文建模用于儿童腕部骨折检测
计算机视觉与模式识别
2024-07-04 v1
摘要
儿童日常会受到腕部伤害，而骨折伴随的放射科医生通常需要在外科医生进行手术前分析和解释 X 光图像。深度学习的发展使神经网络模型能够作为计算机辅助诊断（CAD）工具帮助医生和专家进行诊断。鉴于 YOLOv8 模型在目标检测任务中取得了令人满意的成功，已被应用于骨折检测。全局上下文（GC）模块以轻量级方式有效地建模全局上下文，将其整合到 YOLOv8 中可以显著提高模型性能。本文提出了用于骨折检测的 YOLOv8+GC 模型，这是一种在 YOLOv8 模型上添加了 GC 模块的改进版本。实验结果表明，与原始 YOLOv8 模型相比，本文提出的 YOLOv8-GC 模型在 GRAZPEDWRI-DX 数据集上将平均精度（mAP 50）从 63.58% 提升至 66.32%，达到最先进（SOTA）水平。本工作的实现代码已发布于 GitHub，链接为 https://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detection。
引用
@article{arxiv.2407.03163,
title = {Global Context Modeling in YOLOv8 for Pediatric Wrist Fracture Detection},
author = {Rui-Yang Ju and Chun-Tse Chien and Chia-Min Lin and Jen-Shiun Chiang},
journal= {arXiv preprint arXiv:2407.03163},
year = {2024}
}