基于特征上下文激励模块的儿童腕部骨折检测
计算机视觉与模式识别
2026-02-06 v2
摘要
儿童常发生腕部创伤，需要放射科医生分析和解读 X 光片图像后，医生才能进行手术治疗。深度学习的发展使神经网络能够作为计算机辅助诊断（CAD）工具帮助医生和医学影像专家进行诊断。鉴于 YOLOv8 模型在对象检测任务中取得了令人满意的成功，已广泛应用于各种骨折检测。本工作引入了四种 FCE-YOLOv8 变体模型，其中每个变体集成了不同的 FCE 模块（即 Squeeze-and-Excitation（SE）、Global Context（GC）、Gather-Excite（GE）和 Gaussian Context Transformer（GCT）），以增强模型性能。在 GRAZPEDWRI-DX 数据集上的实验结果表明，我们提出的 YOLOv8+GC-M3 模型将 mAP@50 值从 65.78% 提升至 66.32%，超越了最先进（SOTA）模型，同时缩短了推理时间。此外，我们提出的 YOLOv8+SE-M3 模型实现了最高的 mAP@50 值 67.07%，超越了 SOTA 水平。该工作的实现可在 https://github.com/RuiyangJu/FCE-YOLOv8 上获得。
引用
@article{arxiv.2410.01031,
title = {Pediatric Wrist Fracture Detection Using Feature Context Excitation Modules in X-ray Images},
author = {Rui-Yang Ju and Chun-Tse Chien and Enkaer Xieerke and Jen-Shiun Chiang},
journal= {arXiv preprint arXiv:2410.01031},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2407.03163