基于改进YOLOv8的轻量级腕部X光骨折检测算法

摘要

为提升腕部X光影像中骨折检测的精度与效率，提出一种基于改进YOLOv8的轻量级目标检测算法YOLOv8-DLE。该算法在原有YOLOv8框架的基础上，结合多尺度特征提取方法（DWR）、大型分离卷积注意力模块（LSKA）以及高效卷积优化模块（EfficientRepBiPAN）。在有效减少计算量的同时，显著提升模型对小目标的检测能力和复杂背景处理能力。实验结果表明，YOLOv8-DLE在GRAZPEDWRI-DX数据集上的mAP@50较原始YOLOv8提升3.7%,mAP@50:95提升1.7%,YOLOv8-DLE在保持较高检测精度的基础上，参数量从11.1 M减少至10.9 M，降低0.2 M,GFLOPs从28.5减少至26.0，降低2.5。此外，YOLOv8-DLE在嵌入式设备和远程医疗系统中具有良好的适应性，特别适用于资源受限的环境，能够为医生提供实时辅助诊断支持，帮助提升诊断的准确性与效率。该模型的轻量化设计和高效性为未来在医学影像分析领域的广泛应用提供新的可能性。

关键词

腕部骨折检测 / YOLOv8 / 轻量化模型 / 深度学习 / 医疗影像分析