改进YOLOv8算法的膝关节骨性关节炎检测分类

摘要

膝关节骨性关节炎常因检查时分类不明确而导致误诊，影响治疗效果，现有的检测方法在检测精度和准确区分病变类别方面表现不佳.为此，本文提出一种基于YOLOv8改进的膝关节骨性关节炎检测分类算法，旨在提高检测分类的准确性.首先，设计了分布映射模块(V-PENet),通过对输入的图像进行预处理，将复杂的数据分布统一映射成简单的数据分布，帮助YOLO网络更好的训练.同时，增添语义感知模块(PTB),提升模型上下文感知能力，增强其对全局信息的理解.然后，引入CA坐标注意力机制，丰富特征信息，进一步增强模型对中尺度目标信息的捕捉能力.最后，采用WIoU v3损失函数替代原有的CIoU损失函数，优化定位精度.与基准模型YOLOv8n相比，改进模型准确率提升9.9个百分点，mAP@0.5达81.2%.相较其他检测方法，本文提出的改进模型在准确性上具有显著优势，能够更好地满足膝关节骨性关节炎检测分类的需求.

关键词

目标检测 / 膝关节骨性关节炎 / 分布映射 / YOLOv8 / 坐标注意力机制