[논문 리뷰] Fracture Detection in Pediatric Wrist Trauma X-ray Images Using YOLOv8 Algorithm

Rui‐Yang Ju, Weiming Cai|arXiv (Cornell University)|2023. 04. 11.

Artificial Intelligence in Healthcare and Education인용 수 13

한 줄 요약

논문은 GRAZPEDWRI-DX 소아 손목 X선 데이터세트에서 YOLOv8 모델을 학습하고 증강하여 골절을 탐지하며, SOTA mAP@50를 달성하고 외과의사를 돕는 Fracture Detection YOLOv8 App을 함께 공개한다.

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.

연구 동기 및 목표

• 방사선 전문의 접근이 제한된 소아 손목 X-ray 영상에서 골절 탐지의 필요성을 제시한다.
• 공개 데이터셋에서 탐지 성능을 향상시키기 위해 데이터 증강과 함께 YOLOv8를 적용한다.
• YOLOv7 및 개선된 YOLOv8 모델과의 비교를 통해 SOTA 성능을 확립한다.
• 실시간 골절 진단을 돕기 위한 사용하기 쉬운 애플리케이션을 개발한다.

제안 방법

• GRAZPEDWRI-DX(20,327 이미지)에서 이미지 대비와 밝기를 OpenCV addWeighted를 사용해 조정하는 데이터 증강을 적용한 다양한 크기의 YOLOv8 모델을 학습한다.
• CSP 백본, C2f 모듈, SPPF, FP-PAN neck, decoupled head, Anchor-Free 탐지 구조를 갖춘 YOLOv8 아키텍처를 채택한다.
• 양성 샘플 선정을 위한 Task Aligned Assigner(TOOD)와 분류를 위한 BCE, 분포 초점 손실(Distribution Focal Loss), 위치화를 위한 CIoU를 결합한 다분기 손실을 사용한다.
• SGD와 Adam 최적화 기법을 비교하고 640 및 1024의 서로 다른 입력 크기에 대해 RTX 3080Ti에서 평가하며 초기 중단으로 학습 에포크를 축소한다.
• IoU 기반 지표와 정밀도-재현율 곡선을 사용해 성능을 평가하고 클래스별로 mAP@50 및 mAP@50-95를 보고한다.

실험 결과

연구 질문

• RQ1 GRAZPEDWRI-DX 데이터셋에서 소아 손목 골절 탐지에 대한 YOLOv8의 성능은 어떠한가?
• RQ2 데이터 증강이 이 데이터셋에서 YOLOv8 골절 탐지 성능을 향상시키는가?
• RQ3 제안된 YOLOv8 기반 접근법은 mAP@50 및 기타 지표 측면에서 YOLOv7 및 그 변형들과 어떻게 비교되는가?
• RQ4 학습된 모델을 소아 외과의사의 실무를 돕는 실용 애플리케이션에 배포할 수 있는가?

주요 결과

• 제안된 데이터 증강이 적용된 YOLOv8 기반 방법은 mAP@50이 0.638로, 개선된 YOLOv7(0.634)과 원래 YOLOv8(0.636)을 능가한다.
• 아블레이션 결과 데이터 증강이 뼈 이상 탐지를 0.11에서 0.169 mAP@50으로 현저히 향상시키고 전체 성능을 끌어올린다.
• 여러 SOTA 모델과 비교할 때 제안된 접근법은 mAP@50에서 동등하거나 더 높은 성능을 보이고 정밀도와 재현율에서도 경쟁력 있는 결과를 나타낸다(예: Table 7의 최적 모델에서 0.734 정밀도, 0.592 재현율).
• 외과의사를 돕기 위해 macOS용 'Fracture Detection Using YOLOv8 App'이 소아 손목 X-레이의 골절을 예측하도록 개발되었다.
• 이 연구는 YOLOv8 변형이 그들의 학습 방법과 함께 GRAZPEDWRI-DX 데이터셋에서 YOLOv7 및 CBAM/GAM이 강화된 YOLOv7을 mAP@50에서 능가한다고 보고한다.