[論文レビュー] YOLOv8-AM: YOLOv8 Based on Effective Attention Mechanisms for Pediatric Wrist Fracture Detection

Chun‐Tse Chien, Rui‐Yang Ju+3 more|arXiv (Cornell University)|Feb 14, 2024

Bone fractures and treatments被引用数 10

ひとこと要約

YOLOv8-AMを導入し、YOLOv8に4つの注意モジュールを統合して小児の手首骨折検出を行い、GRAZPEDWRI-DXで現状最高のmAP50を達成。

ABSTRACT

Wrist trauma and even fractures occur frequently in daily life, particularly among children who account for a significant proportion of fracture cases. Before performing surgery, surgeons often request patients to undergo X-ray imaging first and prepare for it based on the analysis of the radiologist. With the development of neural networks, You Only Look Once (YOLO) series models have been widely used in fracture detection as computer-assisted diagnosis (CAD). In 2023, Ultralytics presented the latest version of the YOLO models, which has been employed for detecting fractures across various parts of the body. Attention mechanism is one of the hottest methods to improve the model performance. This research work proposes YOLOv8-AM, which incorporates the attention mechanism into the original YOLOv8 architecture. Specifically, we respectively employ four attention modules, Convolutional Block Attention Module (CBAM), Global Attention Mechanism (GAM), Efficient Channel Attention (ECA), and Shuffle Attention (SA), to design the improved models and train them on GRAZPEDWRI-DX dataset. Experimental results demonstrate that the mean Average Precision at IoU 50 (mAP 50) of the YOLOv8-AM model based on ResBlock + CBAM (ResCBAM) increased from 63.6% to 65.8%, which achieves the state-of-the-art (SOTA) performance. Conversely, YOLOv8-AM model incorporating GAM obtains the mAP 50 value of 64.2%, which is not a satisfactory enhancement. Therefore, we combine ResBlock and GAM, introducing ResGAM to design another new YOLOv8-AM model, whose mAP 50 value is increased to 65.0%. The implementation code for this study is available on GitHub at https://github.com/RuiyangJu/Fracture_Detection_Improved_YOLOv8.

研究の動機と目的

• 小児の手首X線画像における骨折検出の改善を、注意機能を強化したYOLOv8で動機づける。
• 検出性能に対する異なる注意機構の影響を調査する。
• このタスクのための高性能な注意モジュールの組み合わせを特定する。
• GRAZPEDWRI-DXデータセットで再現性のための実装可能なモデルとオープンソースコードを提供する。

提案手法

• YOLOv8アーキテクチャに4つの注意モジュール（CBAM、GAM、ECA、SA）を統合して強化モデルを作成する。
• ResBlock変 variantsを実験してResCBAMおよびResGAMモデルを構築する。
• GRAZPEDWRI-DX小児用手首データセットでmAP@50を測定するために訓練・評価する。
• 注意モジュールと組み合わせを比較して最良の構成を特定する。
• 再現性のためにGitHubで実装コードを提供する。

実験結果

リサーチクエスチョン

• RQ1 YOLOv8に注意機構を組み込むと、小児の手首X線画像の骨折検出性能は向上するか？
• RQ2 GRAZPEDWRI-DXで最も良いmAP@50を生む注意モジュールまたは組み合わせはどれか？
• RQ3 ResBlockベースの設計はこのタスクにおけるYOLOv8の注意モジュールとどう相互作用するか？
• RQ4 提案された最良モデルはデータセットで現状最高の結果を達成しているか？

主な発見

• YOLOv8-AM with ResBlock + CBAM (ResCBAM) は mAP50 を 65.8% に達成（from 63.6%）。
• YOLOv8-AM with GAM alone は mAP50 を 64.2% 達成する。
• A combined ResGAM design raises mAP50 to 65.0%。
• The best-performing configuration (ResCBAM) attains state-of-the-art performance on the dataset for this task.
• Code for the models and experiments is released on GitHub for reproducibility.