摘要

儿童在日常生活中经常遭受腕部创伤，通常需要放射科医生分析和解读X光图像，然后由外科医生进行手术治疗。深度学习的发展使得神经网络可以作为计算机辅助诊断（CAD）工具，帮助医生和专家进行医学影像诊断。由于YOLOv8模型在目标检测任务中取得了令人满意的效果，因此已被应用于各种骨折检测。本研究介绍了四种Feature Contexts Excitation-YOLOv8（FCE-YOLOv8）模型的变体，每种变体分别集成了不同的FCE模块（即Squeeze-and-Excitation（SE）、Global Context（GC）、Gather-Excite（GE）和Gaussian Context Transformer（GCT）模块），以提升模型性能。实验结果表明，在GRAZPEDWRI-DX数据集上，我们提出的YOLOv8+GC-M3模型将mAP@50值从65.78%提高到66.32%，优于当前最先进的（SOTA）模型，并且减少了推理时间。此外，我们提出的YOLOv8+SE-M3模型达到了最高的mAP@50值67.07%，超过了SOTA性能。本研究的实现代码已发布在 https://github.com/RuiyangJu/FCE-YOLOv8。