Amélioration de la détection des fractures du poignet avec YOLO

Le diagnostic et le traitement des anomalies du poignet, en particulier des fractures du radius distal et de l'ulna, constituent une préoccupation cruciale chez les enfants, les adolescents et les jeunes adultes, avec un taux d'incidence plus élevé pendant la puberté. Cependant, la rareté des radiologues et le manque de formation spécialisée parmi les professionnels de la santé posent un risque significatif pour les soins aux patients. Ce problème est exacerbé par l'augmentation du nombre d'études d'imagerie et l'accès limité à des rapports spécialisés dans certaines régions. Ceci souligne la nécessité de solutions innovantes pour améliorer le diagnostic et le traitement des anomalies du poignet. La détection automatique des fractures du poignet à l'aide de techniques de détection d'objets a montré un potentiel, mais les études actuelles utilisent principalement des méthodes de détection en deux étapes, avec peu de preuves quant à l'efficacité des méthodes en une seule étape. Cette étude utilise des modèles de détection basés sur des réseaux neuronaux profonds mono-étape d'avant-garde, tels que YOLOv5, YOLOv6, YOLOv7 et YOLOv8, pour détecter les anomalies du poignet. À travers une série d'expériences approfondies, nous avons constaté que ces modèles YOLO surpassent l'algorithme de détection en deux étapes couramment utilisé, Faster R-CNN, dans la détection des fractures. De plus, nous avons comparé les variantes échelonnées composées de chaque modèle YOLO, avec YOLOv8m présentant une sensibilité maximale à la détection des fractures de 0,92 et une précision moyenne (mAP) de 0,95. Par ailleurs, YOLOv6m a atteint la plus haute sensibilité globale à 0,83 pour toutes les classes. Enfin, YOLOv8x a enregistré la meilleure mAP globale de 0,77 pour toutes les classes sur le jeu de données pédiatriques GRAZPEDWRI-DX du poignet, mettant en lumière le potentiel des modèles mono-étape pour améliorer l'imagerie pédiatrique du poignet.