子どもたちは日常生活でしばしば手首の損傷を受けることがありますが、外科治療を行う前に、通常は放射線技師がX線画像を分析し解釈する必要があります。深層学習の発展により、ニューラルネットワークが医療画像診断におけるコンピュータ支援診断（CAD）ツールとして医師や専門家を助けるようになりました。YOLOv8モデルが物体検出タスクにおいて満足できる結果を得ているため、さまざまな骨折検出に応用されています。本研究では、Feature Contexts Excitation-YOLOv8 (FCE-YOLOv8) モデルの4つのバリエーションを紹介します。それぞれ異なるFCEモジュール（すなわち、Squeeze-and-Excitation (SE)、Global Context (GC)、Gather-Excite (GE)、およびGaussian Context Transformer (GCT) モジュール）を取り入れることで、モデル性能の向上を目指しています。実験結果によると、GRAZPEDWRI-DXデータセット上で提案したYOLOv8+GC-M3モデルはmAP@50値を65.78%から66.32%に改善し、最先端（SOTA）モデルを上回りながら推論時間を短縮しました。さらに、提案したYOLOv8+SE-M3モデルは最高のmAP@50値67.07%を達成し、SOTA性能を超える結果となりました。本研究の実装は以下のURLで公開されています: https://github.com/RuiyangJu/FCE-YOLOv8.