YOLOv8-ResCBAM: YOLOv8 auf Basis eines effektiven Aufmerksamkeitsmoduls für die Erkennung von Kindheitsgelenksfrakturen

Handgelenkverletzungen und sogar Frakturen treten im täglichen Leben häufig auf, insbesondere bei Kindern, die einen erheblichen Anteil der Frakturfälle ausmachen. Bevor Chirurgen eine Operation durchführen, fordern sie oft von den Patienten, dass diese zunächst eine Röntgenuntersuchung durchlaufen, und bereiten sich auf die Operation basierend auf der Analyse der Röntgenbilder vor. Mit der Entwicklung neuronaler Netze werden Modelle der YOLO-Serie (You Only Look Once) zunehmend in der Frakturerkennung für computergestützte Diagnose eingesetzt, wobei das YOLOv8-Modell zufriedenstellende Ergebnisse erzielt hat. Die Anwendung von Aufmerksamkeitsmodulen in neuronale Netze ist eine der effektiven Methoden, um die Modelleffizienz zu verbessern. In dieser Arbeit wird das YOLOv8-ResCBAM vorgeschlagen, das ein in den Resblock integriertes Convolutional Block Attention Module (ResCBAM) in die ursprüngliche YOLOv8-Netzarchitektur einbindet. Die experimentellen Ergebnisse am GRAZPEDWRI-DX-Datensatz zeigen, dass die mittlere Durchschnittsgenauigkeit bei einem Intersection-over-Union-Schwellenwert von 0.5 (mAP 50) des vorgeschlagenen Modells von 63.6% des ursprünglichen YOLOv8-Modells auf 65.8% gestiegen ist, was den aktuellen Stand der Technik erreicht. Der Implementierungscode ist unter folgender URL verfügbar: https://github.com/RuiyangJu/Fracture_Detection_Improved_YOLOv8.