Un marco multi-módulo mejorado YOLOv8 para la clasificación precisa AO de fracturas del radio distal: SCFAST-YOLO

Área de la Ciencia:

• Imágenes médicas
• Inteligencia Artificial en Radiología
• Cirugía ortopédica

Sus antecedentes:

• La clasificación precisa de las fracturas del radio distal y el cúbito a través de la TC es crucial para la planificación quirúrgica.
• Los métodos existentes se enfrentan a desafíos en el equilibrio de la precisión, la velocidad y la detección de las características sutiles de la fractura.

Objetivo del estudio:

• Desarrollar una arquitectura de IA ligera para la tipificación en tiempo real y precisa de las fracturas distales del radio y el codo.
• Para abordar los desafíos en la captura de morfologías complejas e identificar pequeños fragmentos articulares.

Principales métodos:

• Propuso el marco SCFAST-YOLO que incorpora los módulos SCConv y C2f-Faster-EMA para la optimización de las características.
• Utilizó una red piramidal impulsada por características para la fusión de múltiples resoluciones y una cabeza de detección dual consciente del objetivo para una localización mejorada.
• Evaluado en el conjunto de datos FHSU-DRF.

Principales resultados:

• SCFAST-YOLO logró una precisión de clasificación de 91,8% mAP@0,5 y 87,2% AO, superando el rendimiento de YOLOv8.
• Se han demostrado mejoras significativas en la clasificación de fracturas complejas de tipo C (+ 3,2% de precisión).
• Se mantuvo la inferencia en tiempo real a 52.3 FPS con parámetros reducidos.

Conclusiones:

• SCFAST-YOLO ofrece una solución clínicamente viable para una clasificación precisa y eficiente de las fracturas basadas en TC.
• El marco mejora la coherencia y la eficiencia en la atención del trauma mediante la mejora de la detección de fracturas y la planificación quirúrgica.