YOLOを用いた手首骨折検出の向上

手首の異常、特に遠位橈骨（distal radius）および尺骨（ulna）骨折の診断と治療は、子ども、思春期、若年成人において重要な課題であり、思春期には発症率が高まっています。しかし、放射線科医の不足と医療従事者の専門的な訓練の欠如は患者ケアに大きなリスクをもたらしています。この問題は、画像検査件数の増加と特定地域での専門家の報告へのアクセス制限によってさらに悪化しています。これにより、手首の異常の診断と治療を改善する革新的な解決策の必要性が強調されています。自動手首骨折検出における物体検出技術は有望であることが示されていますが、現行の研究では主に二段階検出方法が使用されており、一段階検出方法の有効性に関する証拠は限定的です。本研究では、最先端の一段階深層ニューラルネットワークベースの検出モデルであるYOLOv5、YOLOv6、YOLOv7、およびYOLOv8を使用して手首の異常を検出しました。広範な実験を通じて、これらのYOLOモデルが一般的に使用されている二段階検出アルゴリズムであるFaster R-CNNよりも骨折検出性能が高いことが確認されました。また、各YOLOモデルの複合スケール変種について比較を行いました。その結果、YOLOv8mが最高の骨折検出感度0.92と平均精度平均値（mean average precision, mAP）0.95を達成しました。一方で、YOLOv6mはすべてのクラスにおいて最高感度0.83を達成しました。さらに、GRAZPEDWRI-DX小児手首データセットにおいて、YOLOv8xがすべてのクラスで最高のmAP 0.77を記録し、一段階モデルが小児手首画像診断を向上させる可能性を示唆しています。