Global Context Modeling in YOLOv8 for Pediatric Wrist Fracture Detection

要約

子どもたちは日常生活で手首を痛めることが多く、骨折の怪我をした放射線科医は通常、外科医による外科的治療の前にX線画像を分析し解釈する必要がある。ディープラーニングの発展により、ニューラルネットワークモデルが、医師や専門家の診断を支援するコンピュータ支援診断（CAD）ツールとして機能するようになった。YOLOv8モデルは物体検出タスクで満足のいく成功を収めているため、骨折検出にも適用されている。グローバルコンテキスト（GC）ブロックは、軽量な方法でグローバルコンテキストを効果的にモデル化し、YOLOv8に組み込むことでモデルの性能を大幅に向上させることができる。本論文では、YOLOv8モデルにGCブロックを追加した改良版である、骨折検出のためのYOLOv8+GCモデルを提案する。実験の結果、オリジナルのYOLOv8モデルと比較して、提案するYOLOv8-GCモデルは、GRAZPEDWRI-DXデータセットにおいて、ユニオン閾値0.5（mAP 50）以上の交差点で計算される平均精度を63.58%から66.32%に向上させ、最先端（SOTA）レベルを達成することが実証された。本研究の実装コードはGitHubのhttps://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detection。

要約(オリジナル)

Children often suffer wrist injuries in daily life, while fracture injuring radiologists usually need to analyze and interpret X-ray images before surgical treatment by surgeons. The development of deep learning has enabled neural network models to work as computer-assisted diagnosis (CAD) tools to help doctors and experts in diagnosis. Since the YOLOv8 models have obtained the satisfactory success in object detection tasks, it has been applied to fracture detection. The Global Context (GC) block effectively models the global context in a lightweight way, and incorporating it into YOLOv8 can greatly improve the model performance. This paper proposes the YOLOv8+GC model for fracture detection, which is an improved version of the YOLOv8 model with the GC block. Experimental results demonstrate that compared to the original YOLOv8 model, the proposed YOLOv8-GC model increases the mean average precision calculated at intersection over union threshold of 0.5 (mAP 50) from 63.58% to 66.32% on the GRAZPEDWRI-DX dataset, achieving the state-of-the-art (SOTA) level. The implementation code for this work is available on GitHub at https://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL