Oct, 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

HTML
PDF
TL;DR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。
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

  • 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

  • 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

  • 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

    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

  • 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

  • YOLOv8是什么：下一代目标检测器内部特征的深入探索

    本研究针对YOLOv8目标检测模型进行了详细分析，解决了现有模型（如YOLOv5）在架构和性能改进方面的不足。论文介绍了包括CSPNet骨干网、FPN+PAN颈部结构等关键创新，展现了YOLOv8在多个基准测试上的高准确率和实时能力，强调了其开发者友好的增强功能，使得模型训练和部署更加便捷。该研究为目标检测领域的前沿解决方案奠定了基础。

    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