YOLOv10 for Automated Fracture Detection in Pediatric Wrist Trauma X-rays

手腕骨折在儿童中高度普遍，可能会对他们的日常活动产生重大影响，如上学、参加体育活动和完成基本的自我照顾任务。如果未得到适当治疗，这些骨折可能导致慢性疼痛、手腕功能下降和其他长期并发症。最近，物体检测技术的进步显示出在增强骨折检测方面的潜力，系统的准确度可以达到甚至超过人类放射科医师的水平。特别是YOLO系列在这个领域已经取得了显著的成功。本研究是第一个对各种YOLOv10变体进行彻底评估，以评估它们在使用GRAZPEDWRI-DX数据集检测儿童手腕骨折方面的性能。研究了模型复杂度的变化、架构的缩放和实施双标签分配策略如何增强检测性能。实验结果表明，我们训练的模型在该数据集上实现了平均精度（mAP@50-95）为51.9\%，超过了当前YOLOv9基准43.3\%。这代表了8.6\%的改进。实现代码可以在https://github.com/ammarlodhi255/YOLOv10-Fracture-Detection上公开获取。

评估不同版本的YOLOv10模型在儿童手腕骨折检测中的表现。

通过调整模型复杂度、缩放架构和实现双标签分配策略等方法，提高YOLOv10模型在GRAZPEDWRI-DX数据集上的检测性能。

实验结果表明，该模型在该数据集上的平均精度（mAP@50-95）为51.9％，优于当前YOLOv9基准的43.3％，提高了8.6％。实现代码公开在GitHub上。

最近的相关研究包括基于深度学习的骨折检测方法，如《基于深度学习的骨折检测：一种新的方法》。