Frakturerkennung in Röntgenbildern von Handgelenktraumata bei Kindern mittels YOLOv8-Algorithmus

Krankenhaus-Notaufnahmen erhalten häufig zahlreiche Knochenbruchfälle, wobei die Mehrheit dieser Fälle auf kindliche Handgelenksverletzungen entfällt. Bevor pädiatrische Chirurgen eine Operation durchführen, müssen sie die Patienten nach der Entstehung des Bruchs befragen und die Fraktursituation durch Interpretation von Röntgenbildern analysieren. Die Interpretation von Röntgenbildern erfordert oft eine Kombination von Techniken aus der Radiologie und Chirurgie, was zeitaufwendige spezialisierte Ausbildung voraussetzt. Mit dem Aufkommen des tiefen Lernens im Bereich der Computer Vision sind Netzwerkmmodelle zur Frakturerkennung zu einem wichtigen Forschungsthema geworden. In dieser Arbeit verwenden wir Data Augmentation, um die Leistung des YOLOv8-Algorithmus (die neueste Version von You Only Look Once) auf einem öffentlichen Datensatz für kindliche Handgelenksverletzungen (GRAZPEDWRI-DX) zu verbessern. Die experimentellen Ergebnisse zeigen, dass unser Modell den aktuellen Stand der Technik (SOTA) in Bezug auf den mittleren Durchschnitts-Präzisionswert (mAP 50) erreicht hat. Insbesondere beträgt der mAP 50 unseres Modells 0,638, was deutlich höher ist als die Werte von 0,634 und 0,636 für das verbesserte YOLOv7-Modell und das ursprüngliche YOLOv8-Modell. Um Chirurgen bei der Frakturerkennung auf Röntgenbildern von kindlichen Handgelenksverletzungen zu unterstützen, haben wir die Anwendung "Fracture Detection Using YOLOv8 App" entwickelt. Diese App soll den Chirurgen bei der Diagnose helfen, die Wahrscheinlichkeit fehlerhafter Analysen reduzieren und nützlichere Informationen für den Eingriff bereitstellen.