[论文解读] 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 13

一句话总结

该论文在 GRAZPEDWRI-DX 儿科手腕 X 射线数据集上训练并增强 YOLOv8 模型以检测骨折，达到最先进的 mAP@50，并发布配套的 Fracture Detection YOLOv8 App 供外科医生使用。

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.

研究动机与目标

• 在放射科医生获取受限的情况下，推动对儿童手腕 X 光影像中的骨折检测。
• 应用带数据增强的 YOLOv8 以提高在公开数据集上的检测性能。
• 将 YOLOv8 的变体与 YOLOv7 及改进后的 YOLOv8 模型进行比较，以确立 SOTA 性能。
• 开发一个易于使用的应用程序，以帮助儿科外科医生进行实时骨折诊断。

提出的方法

• 在 GRAZPEDWRI-DX（20,327 张图像）上训练不同尺寸的 YOLOv8 模型，使用 OpenCV addWeighted 调整对比度和亮度的数据增强。
• 采用具有 CSP 主干、C2f 模块、SPPF、FP-PAN 颈部、解耦头部和无锚检测的 YOLOv8 架构。
• 使用 Task Aligned Assigner (TOOD) 进行正样本选择，并采用将 BCE（分类）、Distribution Focal Loss、CIoU（定位）结合在一起的多分支损失。
• 比较 SGD 与 Adam 优化器，在 RTX 3080Ti 上评估不同输入尺寸（640 和 1024），通过提前停止缩短训练轮次。
• 使用基于 IoU 的指标和 Precision-Recall 曲线评估性能，报告 mAP@50 和 mAP@50-95 在各类别上的结果。

实验结果

研究问题

• RQ1 在 GRAZPEDWRI-DX 数据集中，YOLOv8 在儿童手腕骨折检测上的性能如何？
• RQ2 数据增强是否提升了该数据集上 YOLOv8 的骨折检测性能？
• RQ3 所提出的基于 YOLOv8 的方法在 mAP@50 及其他指标方面与 YOLOv7 及其变体相比如何？
• RQ4 训练好的模型能否部署到实际应用中，以帮助儿科外科医生？

主要发现

• 所提出的基于 YOLOv8 的方法结合数据增强，达到 mAP@50=0.638，优于改进的 YOLOv7（0.634）和原始的 YOLOv8（0.636）。
• 消融实验显示数据增强显著将骨骼异常检测的 mAP@50 从 0.11 提升到 0.169，提升了整体性能。
• 与若干 SOTA 模型相比，所提出的方法在 mAP@50 上达到相同或更高的性能，并显示出具有竞争力的精确度和召回率（例如表 7 中最佳模型的 0.734 精确度、0.592 召回率）。
• 开发了名为 'Fracture Detection Using YOLOv8 App' 的应用程序，适用于 macOS，通过对儿科手腕 X 光片预测骨折来协助手术医生。
• 研究报告称，在 GRAZPEDWRI-DX 数据集上，使用其训练方法的 YOLOv8 变体在 mAP@50 上优于 YOLOv7 及 CBAM/GAM 增强的 YOLOv7。