Global Context Modeling in YOLOv8 for Pediatric Wrist Fracture Detection

儿童在日常生活中经常会受到手腕伤害，而骨折影像学家通常需要在手术治疗之前分析和解释X光图像，而这些图像通常需要由外科医生进行治疗。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。由于YOLOv8模型在目标检测任务中取得了令人满意的成功，因此它已被应用于骨折检测。全局上下文（GC）块以轻量级的方式有效地对全局上下文进行建模，并将其纳入YOLOv8中可以极大地提高模型性能。本文提出了YOLOv8+GC模型用于骨折检测，它是YOLOv8模型与GC块的改进版本。实验结果表明，与原始的YOLOv8模型相比，所提出的YOLOv8-GC模型在GRAZPEDWRI-DX数据集上将交并比阈值为0.5（mAP 50）的平均精度从63.58％提高到66.32％，达到了最先进水平。这项工作的实现代码可在GitHub上获得，网址为https://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detection。

本论文旨在解决儿童手腕骨折的X光图像检测问题，提出了一种基于YOLOv8+GC模型的解决方案，并验证其有效性。

该论文的关键思路是将全局上下文模块（GC block）嵌入到YOLOv8模型中，以提高模型的性能。

论文使用GRAZPEDWRI-DX数据集进行实验，证明了YOLOv8+GC模型在儿童手腕骨折X光图像检测方面的有效性，mAP 50从63.58%提高到66.32%，达到了SOTA水平。同时，作者还在GitHub上开源了实现代码。

最近的相关研究包括基于深度学习的医学图像分析和检测，例如“Deep Learning for Automated Fracture Detection in Musculoskeletal Imaging: A Systematic Review”和“Automated Detection of Wrist Fractures in X-ray Images Using Convolutional Neural Networks”。