YOLO를 활용한 손목 골절 검출 개선

손목, 특히 원위쪽 거골 및 척골 골절의 진단과 치료는 어린이, 청소년, 그리고 젊은 성인들에게 중요한 문제로, 사춘기 동안 발생률이 더 높아집니다. 그러나 방사선 전문의의 부족과 의료진의 특화된 교육 부족은 환자 관리에 큰 위험을 초래합니다. 이 문제는 일부 지역에서 영상 검사 건수가 증가하고 전문가의 보고서 접근성이 제한되는 상황으로 더욱 악화되고 있습니다. 이는 손목 이상 징후의 진단과 치료를 개선하기 위한 혁신적인 해결책의 필요성을 강조합니다. 객체 탐지 기술을 활용한 자동 손목 골절 탐지는 잠재력을 보여주었지만, 현재 연구들은 주로 단계별 탐지 방법을 사용하여 단일 단계 탐지 효과에 대한 충분한 증거를 제공하지 못하고 있습니다. 본 연구에서는 최신 단일 단계 딥 뉴럴 네트워크 기반 탐지 모델인 YOLOv5, YOLOv6, YOLOv7, 그리고 YOLOv8를 이용하여 손목 이상 징후를 탐지하는 것을 목표로 합니다. 광범위한 실험을 통해 이러한 YOLO 모델들이 일반적으로 사용되는 두 단계 탐지 알고리즘인 Faster R-CNN보다 골절 탐지에서 우수한 성능을 보임을 확인하였습니다. 또한 각 YOLO 모델의 복합 스케일 변형체들을 비교하였으며, YOLOv8m이 가장 높은 골절 감도 0.92와 평균 정밀도(mAP) 0.95를 기록하였습니다. 한편, YOLOv6m은 모든 클래스에서 가장 높은 감도 0.83을 달성하였으며, YOLOv8x는 GRAZPEDWRI-DX 소아 손목 데이터셋에서 모든 클래스에 대해 가장 높은 mAP 0.77을 기록하였습니다. 이 결과는 단일 단계 모델이 소아 손목 영상 검사를 향상시키는 잠재력을 보여줍니다.