X-선 영상에서 특징 맥락 흥분 모듈을 이용한 소아 손목 골절 감지

아이들은 일상생활에서 종종 손목 부상을 입으며, 일반적으로 외과적 치료를 받기 전에 방사선 전문의가 X선 영상을 분석하고 해석해야 합니다. 딥러닝의 발전으로 인해 신경망은 의료 영상 진단을 돕는 컴퓨터 지원 진단(CAD) 도구로 활용되고 있습니다. YOLOv8 모델이 객체 검출 작업에서 만족스러운 성공을 거두었기 때문에, 다양한 골절 검출에도 적용되었습니다. 본 연구에서는 특징 맥락 흥분(YOLOv8) (Feature Contexts Excitation-YOLOv8, FCE-YOLOv8) 모델의 네 가지 변형을 소개하며, 각각 다른 FCE 모듈(즉, 압축 및 흥분(SE), 글로벌 컨텍스트(GC), 집합 및 흥분(GE), 가우시안 컨텍스트 트랜스포머(GCT) 모듈)을 통합하여 모델 성능을 개선합니다. GRAZPEDWRI-DX 데이터셋에서 수행된 실험 결과는 제안된 YOLOv8+GC-M3 모델이 mAP@50 값을 65.78%에서 66.32%로 개선했음을 보여주며, 최신 기술(SOTA) 모델보다 우수한 성능을 내면서 추론 시간을 단축시키는 것으로 나타났습니다. 또한 제안된 YOLOv8+SE-M3 모델은 최고의 mAP@50 값인 67.07%를 달성하여 SOTA 성능을 초월하였습니다. 본 연구의 구현은 https://github.com/RuiyangJu/FCE-YOLOv8 에서 확인할 수 있습니다.