Les enfants sont souvent victimes de traumatismes au poignet dans la vie quotidienne, et ils ont généralement besoin que des radiologues analysent et interprètent les images radiographiques avant le traitement chirurgical par les chirurgiens. Le développement de l'apprentissage profond a permis aux réseaux neuronaux de servir d'outils d'aide au diagnostic par ordinateur (CAD) pour aider les médecins et les experts en diagnostics d'images médicales. Comme le modèle YOLOv8 a obtenu des résultats satisfaisants dans les tâches de détection d'objets, il a été appliqué à diverses détections de fractures. Ce travail présente quatre variantes du modèle Feature Contexts Excitation-YOLOv8 (FCE-YOLOv8), chacune intégrant un module FCE différent (c'est-à-dire des modules de Squeeze-and-Excitation (SE), Global Context (GC), Gather-Excite (GE) et Gaussian Context Transformer (GCT)) pour améliorer les performances du modèle. Les résultats expérimentaux sur le jeu de données GRAZPEDWRI-DX montrent que notre modèle YOLOv8+GC-M3 proposé améliore la valeur mAP@50 de 65,78% à 66,32%, surpassant le modèle de pointe actuel (SOTA) tout en réduisant le temps d'inférence. De plus, notre modèle YOLOv8+SE-M3 proposé atteint la valeur mAP@50 la plus élevée de 67,07%, dépassant ainsi les performances SOTA. L'implémentation de ce travail est disponible à l'adresse suivante : https://github.com/RuiyangJu/FCE-YOLOv8.