利用YOLO提高腕骨骨折检测精度

诊断和治疗手腕异常，特别是远端桡骨和尺骨骨折，在儿童、青少年和年轻成人中是一个重要的问题，尤其是在青春期发病率更高。然而，放射科医生的短缺以及医疗专业人员缺乏专门培训对患者护理构成了重大风险。这一问题在某些地区由于影像学检查数量的增加和专科报告获取渠道有限而进一步加剧。这突显了需要创新解决方案来改善手腕异常的诊断和治疗。利用目标检测进行自动手腕骨折检测已显示出潜力，但目前的研究主要使用两阶段检测方法，对于单阶段检测的有效性证据有限。本研究采用了最先进的基于单阶段深度神经网络的检测模型YOLOv5、YOLOv6、YOLOv7和YOLOv8来检测手腕异常。通过广泛的实验，我们发现这些YOLO模型在骨折检测方面优于常用的两阶段检测算法Faster R-CNN。此外，还比较了每个YOLO模型的复合缩放变体，其中YOLOv8m表现出最高的骨折检测灵敏度为0.92和平均精度均值（mAP）为0.95。另一方面，YOLOv6m在所有类别中达到了最高的灵敏度0.83。同时，YOLOv8x在GRAZPEDWRI-DX儿科手腕数据集上记录了所有类别的最高mAP值0.77，这表明单阶段模型在增强儿科手腕影像方面具有巨大潜力。