YOLOv8 中用于儿童腕部骨折检测的全局上下文建模

儿童在日常生活中经常遭受手腕损伤，而放射科医生通常需要在手术治疗前分析和解读X光图像以确定骨折情况。深度学习的发展使得神经网络模型可以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绩，因此已被应用于骨折检测。全局上下文（Global Context, GC）模块能够以轻量级的方式有效建模全局上下文，将其融入YOLOv8模型可以显著提升模型性能。本文提出了一种用于骨折检测的YOLOv8+GC模型，该模型是在YOLOv8基础上加入了GC模块的改进版本。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时的平均精度均值（mAP 50）从63.58%提高到了66.32%，达到了当前最佳水平（State-of-the-Art, SOTA）。本研究的实现代码已发布在GitHub上，地址为 https://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detection。