摘要

腕部创伤甚至骨折在日常生活中较为常见，尤其是在儿童中，他们占据了骨折病例的相当大比例。在进行手术之前，外科医生通常会要求患者先进行X光成像，并根据X光图像的分析结果准备手术。随着神经网络的发展，You Only Look Once (YOLO) 系列模型已被广泛应用于计算机辅助诊断中的骨折检测，其中 YOLOv8 模型取得了令人满意的结果。将注意力模块应用于神经网络是提高模型性能的有效方法之一。本文提出了一种名为 YOLOv8-ResCBAM 的模型，该模型将卷积块注意力模块（Convolutional Block Attention Module）与残差块（resblock）结合（ResCBAM），并将其集成到原始的 YOLOv8 网络架构中。实验结果表明，在 GRAZPEDWRI-DX 数据集上，所提出的模型在交并比阈值为 0.5 时的平均精度（mAP 50）从原始 YOLOv8 模型的 63.6% 提高到了 65.8%，达到了当前最先进的性能水平。该模型的实现代码可在 https://github.com/RuiyangJu/Fracture_Detection_Improved_YOLOv8 获取。