| 使用环境 |
在医学成像环境中，使用X射线、CT或MRI等设备获取图像。图像采集过程中可能存在噪声干扰，且骨折目标通常较小，仅占图像像素的2.3%左右，需要在低对比度和复杂背景的条件下进行检测。 |
| 使用对象 |
医学图像中的骨折区域，包括不同类型的骨折（如骨异常、骨损伤等），尤其是小目标骨折区域。 |
| 使用目的 |
通过自动检测医学图像中的骨折区域，辅助医生进行诊断，减少漏诊率，提高诊断效率，为临床治疗提供技术支持。 |
| 输入数据 |
医学图像，包括X射线、CT或MRI图像，图像分辨率为2032×2032像素。 |
| 输出数据 |
骨折检测结果，包括骨折区域的边界框坐标、类别标签（如骨折、金属等）以及置信度。 |
| 硬件配置 |
CPU：无特定型号要求，但建议使用性能较高的多核处理器以满足模型训练和推理的需求。
GPU：NVIDIA GeForce RTX 3090，具备32GB显存，用于加速模型训练和推理过程。
内存：8GB及以上，以确保模型训练过程中有足够的内存资源。
摄像头：无特定要求，主要使用医学成像设备获取图像。
传感器：无特定要求。
接口：无特定要求。
硬盘：1TB SSD，用于存储模型数据和图像数据。
显卡：NVIDIA GeForce RTX 3090。 |
| 样本获取 |
使用GRAZPEDWRI-DX数据集，包含20,327幅图像，其中15,245幅用于训练集，4065幅用于验证集，1017幅用于测试集。在训练前对训练集进行了数据增强处理，包括随机旋转和对比度调整。 |
| 测试结果 |
在测试集上，ASC-YOLO模型实现了61.1%的mAP@50，比基线YOLO模型提高了7.4%。断裂类别的mAP@50达到95%，金属类别的mAP@50达到97%。 |
| 执行速度 |
在NVIDIA GeForce RTX 3090上，模型推理速度约为16ms/次。 |
| 资源消耗 |
在NVIDIA GeForce RTX 3090上运行时，对4核CPU的计算占比平均约60%，对8GB内存的使用占比约50%。 |
| 源码类型 |
本算法提供Python版本源码，基于PyTorch框架开发。 |
| 文件大小 |
算法程序文件约30K，权重文件约220M。 |
| 相关备注 |
|
