Kinder erleiden im täglichen Leben häufig Handgelenkverletzungen, wobei sie in der Regel eine Analyse und Interpretation von Röntgenbildern durch Radiologen vor einer chirurgischen Behandlung durch Chirurgen benötigen. Die Entwicklung des Deep Learnings hat es ermöglicht, dass neuronale Netze als computergestützte Diagnosehilfen (CAD) eingesetzt werden können, um Ärzten und Experten bei der medizinischen Bildgebung zu helfen. Da das YOLOv8-Modell in Objekterkennungsaufgaben zufriedenstellende Erfolge erzielt hat, wurde es auf verschiedene Frakturerkennungsaufgaben angewendet. Diese Arbeit stellt vier Varianten des Feature Contexts Excitation-YOLOv8 (FCE-YOLOv8)-Modells vor, wobei jede Variante einen anderen FCE-Modul (d.h., Module von Squeeze-and-Excitation (SE), Global Context (GC), Gather-Excite (GE) und Gaussian Context Transformer (GCT)) integriert, um die Modelleffizienz zu verbessern. Experimentelle Ergebnisse am GRAZPEDWRI-DX-Datensatz zeigen, dass unser vorgeschlagenes YOLOv8+GC-M3-Modell den mAP@50-Wert von 65,78% auf 66,32% erhöht und dabei das State-of-the-Art-Modell (SOTA) übertreffen kann, während gleichzeitig die Inferenzzeit reduziert wird. Darüber hinaus erreicht unser vorgeschlagenes YOLOv8+SE-M3-Modell den höchsten mAP@50-Wert von 67,07%, was die Leistung des SOTA übertrifft. Die Implementierung dieser Arbeit ist unter https://github.com/RuiyangJu/FCE-YOLOv8 verfügbar.