[論文レビュー] Pediatric Wrist Fracture Detection in X-rays via YOLOv10 Algorithm and Dual Label Assignment System

Ammar Ahmed, Abdul Manaf|arXiv (Cornell University)|Jul 22, 2024

Medical Imaging and Analysis被引用数 6

ひとこと要約

本論文は GRAZPEDWRI-DX データセット上で小児の手首骨折検出のための YOLOv10 バリアントを評価し、YOLOv10-M が state-of-the-art の mAP@50-95（51.9%）を達成し、YOLOv9 のベンチマークを上回ることを示している。

ABSTRACT

Wrist fractures are highly prevalent among children and can significantly impact their daily activities, such as attending school, participating in sports, and performing basic self-care tasks. If not treated properly, these fractures can result in chronic pain, reduced wrist functionality, and other long-term complications. Recently, advancements in object detection have shown promise in enhancing fracture detection, with systems achieving accuracy comparable to, or even surpassing, that of human radiologists. The YOLO series, in particular, has demonstrated notable success in this domain. This study is the first to provide a thorough evaluation of various YOLOv10 variants to assess their performance in detecting pediatric wrist fractures using the GRAZPEDWRI-DX dataset. It investigates how changes in model complexity, scaling the architecture, and implementing a dual-label assignment strategy can enhance detection performance. Experimental results indicate that our trained model achieved mean average precision (mAP@50-95) of 51.9\% surpassing the current YOLOv9 benchmark of 43.3\% on this dataset. This represents an improvement of 8.6\%. The implementation code is publicly available at https://github.com/ammarlodhi255/YOLOv10-Fracture-Detection

研究の動機と目的

• GRAZPEDWRI-DX データセット上で小児の手首骨折を検出するための YOLOv10 バリアントの有効性を評価する。
• 主要な検出指標において YOLOv10 バリアントを YOLOv9 ベンチマークと比較する。
• モデルの複雑さが骨折検出性能に与える影響を分析する。
• 骨折を含む全体的な病変検出において最も性能の高い YOLOv10 バリアントを特定する。

提案手法

• GRAZPEDWRI-DX 上で複数の YOLOv10 バリアント（N, S, M, L, X）を訓練・評価し、YOLOv9 ベースラインと比較する。
• COCO での事前学習を使用し、次にデータセット分割（train/val/test）で微調整する。
• 訓練時に従来の NMS を置換するデュアルラベル割り当てシステムを採用する。
• アーキテクチャの革新を取り入れる：Compact Inverted Block (CIB)、分離分類ヘッド、空間-チャネル分離ダウンサンプリング、Rank-guided Block Design、Large-kernel Convolutions、Partial Self-Attention (PSA)。
• mAP@50、mAP@50-95、F1、骨折特異指標、Params、FLOPs で性能を評価する。

Figure 1 : YOLOv10 Architecture depicting the input, backbone, neck, head, and output.

実験結果

リサーチクエスチョン

• RQ1 GRAZPEDWRI-DX での小児の手首骨折検出において、YOLOv10 バリアントは YOLOv9 と比較してどのように性能を示すか？
• RQ2 特に mAP@50-95 に関して、モデルの複雑さを増やすことが骨折検出性能に与える影響はどのようか？
• RQ3 手首の病変検出において、精度・効率・資源使用の最適なバランスを提供する YOLOv10 バリアントはどれか？

主な発見

バリアント	mAP@50 (%)	mAP@50-95 (%)	F1 (%)	パラメータ数 (M)	FLOPs (G)
YOLOv9-C	65.3	42.7	64.0	51.0	239.0
YOLOv9-E	65.5	43.3	64.0	69.4	244.9
YOLOv9-C’	66.2	45.2	66.7	25.3	102.4
YOLOv9-E’	67.0	44.9	70.9	57.4	189.2
YOLOv10-N	59.5	39.1	63.0	2.7	8.2
YOLOv10-S	76.1	51.7	67.5	8.0	24.5
YOLOv10-M	75.9	51.9	69.2	16.5	63.5
YOLOv10-L	70.9	46.6	68.7	25.7	126.4
YOLOv10-X	76.2	48.2	69.8	31.6	169.9

• YOLOv10 バリアントは Nano バリアントを除くすべての指標で YOLOv9 バリアントを上回る。X バリアントが最高の mAP@50（76.2%）を達成。
• YOLOv10-M バリアントが最高の mAP@50-95（51.9%）を達成し、骨折を含む全クラスで指標間の最良のバランスを示す。
• 骨折病変では、YOLOv10-M は mAP@50 94.0%、mAP@50-95 58.4%、骨折感度 92.5% を示す。
• M バリアントを超えるモデルの複雑さの増加は mAP@50-95 を改善せず、むしろ低下させる可能性があるため、このタスクには M が最適なモデルサイズであることを示唆している。
• 総じて、YOLOv10 バリアントはいくつかの YOLOv9 対比よりも少ないパラメータと FLOPs で性能を向上させ、GRAZPEDWRI-DX 上の新しいベンチマークを確立する。

Figure 2 : Precision, recall, and PR curves of YOLOv10-M variant across increasing confidence scores.