يُعاني الأطفال غالبًا من إصابات المعصم في حياتهم اليومية، وعادة ما يحتاجون إلى أطباء الأشعة لتحليل وتفسير صور الرنين المغناطيسي قبل الخضوع للعلاج الجراحي على يد الجراحين. وقد مكّنت تطبيقات التعلم العميق الشبكات العصبية من العمل كأدوات تشخيص مساعدة بالحاسوب (CAD) لمساعدة الأطباء والخبراء في تشخيص الصور الطبية. نظرًا للنجاح الملحوظ الذي حققه نموذج YOLOv8 في مهام الكشف عن الأجسام، فقد تم تطبيقه على أنواع مختلفة من الكسور. يقدم هذا البحث أربعة متغيرات لنموذج Feature Contexts Excitation-YOLOv8 (FCE-YOLOv8)، كل منها يدمج وحدة FCE مختلفة (أي وحدات Squeeze-and-Excitation (SE)، Global Context (GC)، Gather-Excite (GE)، و Gaussian Context Transformer (GCT)) لتعزيز أداء النموذج. تظهر النتائج التجريبية على مجموعة بيانات GRAZPEDWRI-DX أن نموذج YOLOv8+GC-M3 المقترح لدينا يحسن قيمة mAP@50 من 65.78٪ إلى 66.32٪، مما يجعله أفضل من النماذج الأكثر تقدمًا حاليًا (SOTA) مع تقليص وقت الاستدلال. علاوة على ذلك، حقق نموذج YOLOv8+SE-M3 المقترح لدينا أعلى قيمة mAP@50 وهي 67.07٪، مما يتفوق على أداء SOTA. يمكن الوصول إلى تنفيذ هذا البحث عبر الرابط https://github.com/RuiyangJu/FCE-YOLOv8.