YOLOv8-AM:基于有效注意力机制的YOLOv8用于儿童腕部骨折检测

腕部创伤甚至骨折在日常生活中较为常见,尤其是在儿童中,他们占骨折病例的很大比例。在进行手术之前,外科医生通常会要求患者先进行X光成像,并根据放射科医生的分析结果做好准备。随着神经网络的发展,You Only Look Once (YOLO) 系列模型已被广泛应用于骨折检测作为计算机辅助诊断(CAD)。2023年,Ultralytics 推出了 YOLO 模型的最新版本,该版本已用于检测身体各部位的骨折。注意力机制是提高模型性能的最热门方法之一。本研究提出了 YOLOv8-AM 模型,该模型将注意力机制融入了原始的 YOLOv8 架构中。具体而言,我们分别采用了四种注意力模块:卷积块注意力模块(Convolutional Block Attention Module, CBAM)、全局注意力机制(Global Attention Mechanism, GAM)、高效通道注意力(Efficient Channel Attention, ECA)和混洗注意力(Shuffle Attention, SA),设计并训练了改进后的模型,所使用的数据集为 GRAZPEDWRI-DX。实验结果显示,基于 ResBlock + CBAM (ResCBAM) 的 YOLOv8-AM 模型的平均精度均值(mean Average Precision at IoU 50, mAP 50)从 63.6% 提高到了 65.8%,达到了当前最佳(state-of-the-art, SOTA)性能。相反,融合 GAM 的 YOLOv8-AM 模型获得的 mAP 50 值为 64.2%,这一提升并不令人满意。因此,我们将 ResBlock 和 GAM 结合,引入 ResGAM 设计了另一种新的 YOLOv8-AM 模型,其 mAP 50 值提高到了 65.0%。本研究的实现代码已在 GitHub 上公开发布,地址为 https://github.com/RuiyangJu/Fracture_Detection_Improved_YOLOv8。