[論文レビュー] Fracture Detection in Pediatric Wrist Trauma X-ray Images Using YOLOv8 Algorithm

Rui‐Yang Ju, Weiming Cai|arXiv (Cornell University)|Apr 11, 2023

Artificial Intelligence in Healthcare and Education被引用数 13

ひとこと要約

この論文は GRAZPEDWRI-DX 小児手首X線データセットで YOLOv8 モデルを訓練・拡張し、骨折を検出する。最先端の mAP@50 を達成し、外科医向け Fracture Detection YOLOv8 App を同梱して公開。

ABSTRACT

Hospital emergency departments frequently receive lots of bone fracture cases, with pediatric wrist trauma fracture accounting for the majority of them. Before pediatric surgeons perform surgery, they need to ask patients how the fracture occurred and analyze the fracture situation by interpreting X-ray images. The interpretation of X-ray images often requires a combination of techniques from radiologists and surgeons, which requires time-consuming specialized training. With the rise of deep learning in the field of computer vision, network models applying for fracture detection has become an important research topic. In this paper, we use data augmentation to improve the model performance of YOLOv8 algorithm (the latest version of You Only Look Once) on a pediatric wrist trauma X-ray dataset (GRAZPEDWRI-DX), which is a public dataset. The experimental results show that our model has reached the state-of-the-art (SOTA) mean average precision (mAP 50). Specifically, mAP 50 of our model is 0.638, which is significantly higher than the 0.634 and 0.636 of the improved YOLOv7 and original YOLOv8 models. To enable surgeons to use our model for fracture detection on pediatric wrist trauma X-ray images, we have designed the application "Fracture Detection Using YOLOv8 App" to assist surgeons in diagnosing fractures, reducing the probability of error analysis, and providing more useful information for surgery.

研究の動機と目的

• 放射線科医のアクセスが限られている小児手首X線撮影における骨折検出を動機づける。
• 公開データセット上で検出性能を向上させるためにデータ拡張を用いた YOLOv8 を適用する。
• YOLOv8 の各 variante を YOLOv7 および改良された YOLOv8 モデルと比較し、SOTA性能を確立する。
• 小児外科医がリアルタイムに骨折診断を行えるよう、使いやすいアプリケーションを開発する。

提案手法

• GRAZPEDWRI-DX（20,327 枚の画像）上で、OpenCV addWeighted を用いてコントラストと明るさを調整するデータ拡張を適用し、サイズの異なる YOLOv8 モデルを訓練する。
• CSP ボトムに基づくYOLOv8アーキテクチャを採用、C2fモジュール、SPPF、FP-PANネック、デカップルドヘッド、Anchor-Free検出。
• ポジティブサンプル選択にはTask Aligned Assigner（TOOD）を使用し、分類には BCE、分布焦点損失、局在化には CIoU を組み合わせたマルチブランチ損失を適用。
• SGD と Adam のオプティマイザを比較し、RTX 3080Ti 上で入力サイズ 640 と 1024 を評価、早期停止により訓練エポックを短縮。
• IoU基準の指標と Precision-Recall 曲線を用いて性能を評価し、クラス全体で mAP@50 および mAP@50-95 を報告。

実験結果

リサーチクエスチョン

• RQ1 GRAZPEDWRI-DX データセットにおける小児手首骨折検出での YOLOv8 の性能はどうか。
• RQ2 データ拡張はこのデータセットでの YOLOv8 骨折検出性能を改善するか。
• RQ3 提案された YOLOv8 ベースの手法は mAP@50 などの指標で YOLOv7 およびその variante と比べてどうか。
• RQ4 訓練済みモデルは小児科外科医の実用アプリケーションに展開可能か。

主な発見

• 提案された YOLOv8 ベースの手法とデータ拡張は mAP@50 を 0.638 と達成し、改良 YOLOv7（0.634）および元の YOLOv8（0.636）を上回る。
• アブレーションによりデータ拡張が骨異常検出を 0.11 から 0.169 mAP@50 に顕著に向上させ、全体の性能を引き上げる。
• 複数の SOTA モデルと比較して、提案手法は mAP@50 で同等以上の性能を示し、精度とリコールも競合的（例：Table 7 の最良モデルで 0.734 精度、0.592 リコール）。
• 「Fracture Detection Using YOLOv8 App」という macOS 用アプリケーションが開発され、小児手首X線の骨折予測を支援する。
• 本研究は、YOLOv8 の変種と訓練手法が GRAZPEDWRI-DX データセットで YOLOv7 および CBAM/GAM 強化 YOLOv7 を mAP@50 で凌駕することを報告している。