YOLOv8-AM: YOLOv8 auf Basis effektiver Aufmerksamkeitsmechanismen für die Erkennung von Kinderhandgelenksfrakturen

Handgelenkverletzungen und sogar Frakturen treten im Alltag häufig auf, insbesondere bei Kindern, die einen erheblichen Anteil der Frakturfälle ausmachen. Bevor Chirurgen eine Operation durchführen, verlangen sie oft von den Patienten, zunächst eine Röntgenuntersuchung zu unterziehen und sich darauf basierend auf die Analyse des Radiologen vorzubereiten. Mit der Entwicklung neuronaler Netze wurden Modelle der YOLO-Serie (You Only Look Once) weitgehend in der Frakturerkennung als computergestützte Diagnose (CAD) eingesetzt. Im Jahr 2023 präsentierte Ultralytics die neueste Version der YOLO-Modelle, die zur Erkennung von Frakturen in verschiedenen Körperteilen eingesetzt wird. Der Aufmerksamkeitsmechanismus ist eine der heißesten Methoden zur Verbesserung der Modellleistung. Diese Forschungsarbeit schlägt das YOLOv8-AM-Modell vor, das den Aufmerksamkeitsmechanismus in die ursprüngliche YOLOv8-Architektur integriert. Insbesondere verwenden wir vier Aufmerksamkeitsmodule: Convolutional Block Attention Module (CBAM), Global Attention Mechanism (GAM), Efficient Channel Attention (ECA) und Shuffle Attention (SA), um verbesserte Modelle zu entwerfen und diese am GRAZPEDWRI-DX-Datensatz zu trainieren. Die experimentellen Ergebnisse zeigen, dass die mittlere Average Precision bei einem IoU von 50 (mAP 50) des YOLOv8-AM-Modells basierend auf ResBlock + CBAM (ResCBAM) von 63,6 % auf 65,8 % gestiegen ist, was den Stand der Technik (SOTA) darstellt. Im Gegensatz dazu erreicht das YOLOv8-AM-Modell mit GAM einen mAP 50-Wert von 64,2 %, was keine zufriedenstellende Verbesserung darstellt. Daher kombinieren wir ResBlock und GAM und führen ResGAM ein, um ein weiteres neues YOLOv8-AM-Modell zu entwerfen, dessen mAP 50-Wert auf 65,0 % gestiegen ist. Der Implementierungscode dieser Studie ist auf GitHub unter https://github.com/RuiyangJu/Fracture_Detection_Improved_YOLOv8 verfügbar.