YOLOv8-AM: YOLOv8을 기반으로 한 효과적인 주의 메커니즘을 활용한 소아 손목 골절 검출

손목 부상과 심지어 골절은 일상생활에서 자주 발생하며, 특히 골절 사례의 상당 부분을 차지하는 어린이들에게서 더욱 흔합니다. 수술 전에 외과의사는 환자에게 먼저 X선 영상을 촬영하도록 요청하고, 방사선과 의사의 분석 결과를 바탕으로 준비합니다. 신경망의 발전에 따라, You Only Look Once (YOLO) 시리즈 모델은 컴퓨터 지원 진단(CAD)에서 골절 검출에 널리 사용되고 있습니다. 2023년 Ultralytics는 YOLO 모델의 최신 버전을 발표하였으며, 이 모델은 신체 여러 부위의 골절 검출에 활용되고 있습니다. 주의 메커니즘(attention mechanism)은 모델 성능 개선을 위한 가장 인기 있는 방법 중 하나입니다. 본 연구에서는 주의 메커니즘을 원래 YOLOv8 구조에 통합한 YOLOv8-AM 모델을 제안합니다. 구체적으로, Convolutional Block Attention Module (CBAM), Global Attention Mechanism (GAM), Efficient Channel Attention (ECA), 그리고 Shuffle Attention (SA)라는 네 가지 주의 모듈을 각각 사용하여 개선된 모델을 설계하고 GRAZPEDWRI-DX 데이터셋에서 이를 학습시켰습니다. 실험 결과, ResBlock + CBAM (ResCBAM) 기반 YOLOv8-AM 모델의 평균 정밀도(IoU 50 기준)(mean Average Precision at IoU 50, mAP 50)가 63.6%에서 65.8%로 증가하여 최고 수준(SOTA)의 성능을 달성하였습니다. 반면, GAM을 통합한 YOLOv8-AM 모델은 mAP 50 값이 64.2%로 만족스러운 개선 효과를 보이지 않았습니다. 따라서, ResBlock과 GAM을 결합하여 새로운 YOLOv8-AM 모델인 ResGAM을 설계하였으며, 이 모델의 mAP 50 값은 65.0%로 증가하였습니다. 본 연구의 구현 코드는 GitHub에서 확인할 수 있으며, 링크는 다음과 같습니다: https://github.com/RuiyangJu/Fracture_Detection_Improved_YOLOv8.