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

在小物体检测领域，针对计算代价大且预测性能有待提高的问题，提出了一种改进的YOLOv5模型：HIC-YOLOv5。它通过添加特定于小物体的额外预测头部以提供更高分辨率的特征图进行更精确的预测，采用了involution块在主干网和neck之间以增加特征图的通道信息，并在主干网的末端应用了一种名为CBAM的注意力机制，从而不仅减少了与先前方法相比的计算代价，还加强了通道和空间域中的重要信息。在VisDrone-2019-DET数据集上，HIC-YOLOv5的mAP@[.5:.95]提高了6.42%，[email protected]提高了9.38%。

Sep, 2023

利用YOLOv8模型和SAM模型，本文提出了一种综合方法，用于在多样性医学成像数据集中分割感兴趣区域(ROI)，包括超声、CT扫描和X射线图像。结果表明，SAM模型在医学图像分割方面的准确性和整体性能上表现更好，而HQ-SAM模型的额外计算成本可能无法证明其优势。而YOLOv8+SAM模型显示出提高医学图像分割和其临床影响的潜力。

Oct, 2023

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

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

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

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

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。

Jul, 2024

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

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