Apr, 2023

使用 YOLOv8 算法检测儿童腕部骨折 X 射线图像

PDF
TL;DR本文研究了如何使用 YOLOv8 算法从 X 光图像中检测儿童手腕骨折，并通过实验结果展示了该算法在不同模型大小上取得了不同的优势，其中 YOLOv8l 模型的平均精度最高（63.6%），而 YOLOv8n 模型在单个 CPU 上的推理时间只需 67.4 毫秒，并创建了 “使用 YOLOv8 应用程序进行骨折检测”，以协助外科医生解释 X 光图像中的骨折，降低误诊概率，并为骨折手术提供更多有用信息。
pediatric wrist traumax-ray image interpretationdeep learningyolov8 algorithmfracture detection
发现论文，激发创造
  • 儿童腕部外伤 X 射线图像的 YOLOv9 骨折检测

    该研究将 YOLOv9 算法模型应用于骨折检测任务，以帮助放射科医师和外科医生解释 X 射线图像，实验证明 YOLOv9 模型在性能上比当前最先进模型提高了 3.7%。

    Mar, 2024

  • YOLOv8 中的全局上下文建模用于儿童腕部骨折检测

    深度学习在儿童尺骨骨折检测中的应用研究，通过 YOLOv8+GC 模型对 X 射线图像进行分析与诊断，提高了模型性能达到国际先进水平。

    Jul, 2024

  • DeepLOC: 基于深度学习的手腕 X 光图像骨病理定位和分类

    该论文提出了一种新颖的方法，结合 YOLO 和 Swin 以及新提出的模块，用于定位和分类腕部 X 射线图像中的骨病理，解决了精确定位骨病理和准确分类异常的挑战。

    Aug, 2023

  • YOLOv8-AM：用于儿科腕部骨折检测的 YOLOv8 与注意力机制

    使用改进的 YOLOv8-AM 模型，结合注意力机制，通过对断骨检测的实验结果，证明了该模型在改进性能方面的先进性。

    Feb, 2024

  • 使用少量 X 光图像和 Faster R-CNN 训练检测远端桡骨骨折

    通过训练 Faster R-CNN 深度学习网络，在只有 38 张有骨折的手部 X 光图像的情况下，可高精准度地识别和定位远端桡骨骨折，其准确性为 96％，平均精度为 0.866，并且较医生和放射科医师检测结果更为准确。这一技术为检测罕见疾病或常见疾病的罕见症状打开了可能性。

    Dec, 2018

  • 智能颈椎骨折检测基于深度学习方法

    该研究使用深度学习技术，通过一个两阶段的流程，识别并定位颈椎骨折，验证了该算法显著减轻放射科医生的工作量并提高骨折检测的准确性。

    Nov, 2023

  • MedYOLO：一种医学图像目标检测框架

    人工智能、医学影像、卷积神经网络、目标检测、MedYOLO

    Dec, 2023

  • 使用迁移学习进行骨折分类

    本研究介绍了一种用于骨折分类的简单而健壮的训练方法，相较于现有方法取得了明显的优势性能，仅需少于十个 epochs，利用最新的数据集建立了最佳模型。我们强调了负责任和高效地训练深度学习模型以及选择高质量数据集的重要性。

    Jun, 2024

  • 现实主义行动：使用 YOLOv8 和 DeiT 对医学图像中的脑瘤进行异常感知诊断

    利用深度学习技术在医学影像领域可靠地检测和分类脑肿瘤是一项重要挑战，本研究通过对稀有病例的异常检测和分类，采用 YOLOv8n 检测模型和 Vision Transformer 模型，在实际医学影像场景中取得了有竞争力的结果。

    Jan, 2024

  • 使用 YOLO v7 在磁共振成像中检测肾脏：一种有监督对比学习

    通过使用最新的 You Only Look Once (YOLO V7) 目标检测方法，该研究针对医学图像格式上的肾脏检测进行了训练和测试，通过在 878 名患有各种亚型的肾细胞癌（RCC）和 206 名正常肾脏患者中检索了 1084 名患者的 5657 张 MRI 扫描，观察最终模型的肯定预测值（PPV）、敏感性和平均精确度 (mAP)。

    Feb, 2024