Verbesserung der Handgelenksfraktur-Erkennung mit YOLO

Die Diagnostik und Behandlung von Abnormitäten am Handgelenk, insbesondere von Frakturen des distalen Radius und des Ulner, ist eine wichtige Anliegen bei Kindern, Jugendlichen und jungen Erwachsenen, wobei die Inzidenzrate während der Pubertät höher ist. Die Knappheit an Radiologen und das Fehlen spezialisierten Trainings unter medizinischen Fachkräften stellen jedoch ein erhebliches Risiko für die Patientenversorgung dar. Dieses Problem wird durch die steigende Anzahl an bildgebenden Untersuchungen und den begrenzten Zugang zu spezialisierten Berichten in bestimmten Regionen weiter verschärft. Dies unterstreicht die Notwendigkeit innovativer Lösungen zur Verbesserung der Diagnostik und Behandlung von Handgelenksabnormitäten. Die automatische Detektion von Handgelenksfrakturen mittels Objekterkennung hat bereits Potenzial gezeigt, aber bisherige Studien verwenden hauptsächlich zweistufige Detektionsmethoden mit begrenztem Beweis für die Effektivität einstufiger Methoden. Diese Studie setzt auf modernste einstufige Deep-Learning-basierte Detektionsmodelle, nämlich YOLOv5, YOLOv6, YOLOv7 und YOLOv8, um Handgelenksabnormitäten zu erkennen. Durch umfangreiche Experimente konnten wir feststellen, dass diese YOLO-Modelle den häufig verwendeten zweistufigen Detektionsalgorithmus Faster R-CNN bei der Frakturerkennung übertrumpfen. Zudem wurden vergrößerungsverstärkte Varianten jedes YOLO-Modells verglichen, wobei YOLOv8m eine höchste Frakturerkennungsempfindlichkeit von 0,92 und einen mittleren Durchschnitts-Präzisionswert (mAP) von 0,95 zeigte. Im Gegensatz dazu erreichte YOLOv6m die höchste Empfindlichkeit für alle Klassen bei 0,83. Gleichzeitig zeichnete sich YOLOv8x durch den höchsten mAP-Wert von 0,77 für alle Klassen im GRAZPEDWRI-DX-Pädiatrie-Handgelenkdatabestand aus. Dies hebt das Potential einstufiger Modelle zur Verbesserung der pädialtrischen Handgelenkbildgebung hervor.