Jul, 2024

使用YOLO增强腕部异常检测：对最先进的单阶段检测模型进行分析

HTML
PDF
TL;DR使用YOLOv5、YOLOv6、YOLOv7和YOLOv8等最新单阶段深度神经网络检测模型检测手腕异常，相比于传统的两阶段检测算法Faster R-CNN，在骨折检测方面有优势，其中YOLOv8x在GRAZPEDWRI-DX儿科手腕数据集上表现出0.95的骨折检测mAP和0.77的总体mAP，突出了单阶段模型在增强儿科手腕成像方面的潜力。
发现论文，激发创造
  • 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

  • 使用YOLOv8算法检测儿童腕部骨折X射线图像

    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。

    Apr, 2023

  • 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

  • 利用图像分割与自监督学习预测手腕X射线片中的骨质疏松症

    本研究使用手腕和手腕X光图像进行骨质疏松症预测，为增加筛查率而不增加成本或时间提供了一种新的方法。通过图像分割和自监督学习，本方法实现了对骨质疏松症的有效分类，为从外周骨骼部位利用视觉技术进行骨质疏松症识别的先导性工作。

    Nov, 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

  • 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

  • 从少数样本学习：对有限数据集的儿科腕部病理识别的细粒度方法

    本研究针对儿科腕部病理识别中的诊断挑战，提出了一种细粒度的方法，旨在自动识别X光影像中的重要区域，减少人工干预。通过使用Grad-CAM技术，我们的方法在有限的数据集上表现出色，显著提高了识别准确率和骨折敏感性，展现了在实际医疗应用中的潜在影响。

    Aug, 2024

  • 基于有效注意力模块的YOLOv8用于儿童腕部骨折检测

    本研究针对儿童腕部骨折检测中的精度不足问题，提出了YOLOv8-ResCBAM模型，将卷积块注意力模块与残差块相结合。实验结果表明，该模型在GRAZPEDWRI-DX数据集上的平均精度（mAP 50）从63.6%提升至65.8%，显示出优于原YOLOv8模型的性能。

    Sep, 2024

  • FCE-YOLOv8：结合特征上下文激励模块的YOLOv8在儿科腕部X光图像中的骨折检测

    该研究解决了儿童腕部骨折检测中的传统 radiologists 分析 X 光片的局限。提出的 FCE-YOLOv8 模型通过引入不同的特征上下文激励模块，显著提升了骨折检测的性能和效率，尤其是 YOLOv8+SE-M3 模型达到了 67.07% 的 mAP@50，超越了现有最先进模型的表现。

    Oct, 2024