摘要

医院急诊科经常接收大量骨折病例，其中儿童腕部创伤骨折占大多数。在儿科外科医生进行手术前，他们需要询问患者骨折的具体情况，并通过解读X射线图像来分析骨折状况。X射线图像的解读通常需要放射科医生和外科医生共同运用多种技术手段，这需要耗时的专业培训。随着深度学习在计算机视觉领域的兴起，应用于骨折检测的网络模型已成为重要的研究课题。本文中，我们使用数据增强技术来提高YOLOv8算法（You Only Look Once的最新版本）在儿童腕部创伤X射线数据集（GRAZPEDWRI-DX）上的模型性能，该数据集为公开数据集。实验结果显示，我们的模型达到了最先进的平均精度均值（mAP 50）。具体而言，我们的模型mAP 50为0.638，显著高于改进后的YOLOv7模型的0.634和原始YOLOv8模型的0.636。为了使外科医生能够在儿童腕部创伤X射线图像上使用我们的模型进行骨折检测，我们设计了“基于YOLOv8的骨折检测应用”（Fracture Detection Using YOLOv8 App），以协助外科医生诊断骨折，降低误诊概率，并为手术提供更有价值的信息。