Efficient YOLOv11-Based Approach with Dual-Path Feature Learning for Automated Detection of Limb Fractures
Notice bibliographique
Résumé
The proper detection of limb fractures by use of radiographic images is crucial to medical institutions that have low resources. The study proposes a new deep learning platform named YOLOv11 that enhances the speed and accuracy of bone fracture tailoring in medical images. The YOLOv11 system has identified the weaknesses of the earlier versions of the YOLO version by having a dual-path solution to feature extraction and the mechanism of improved attention and gradient consistency refinement. Two publicly available radiograph databases were utilised by the research to construct a hybrid dataset comprising 4,739 labelled images and 1,030 X-rays of Gujranwala Medical College Hospital to be used diversely and practically. The evaluation results showed YOLOv11 achieved 0.89 precision and 0.81 mAP@0.5 and 0.55 mAP@0.5–0.95 while outperforming YOLOv8 and YOLOv10 and Faster R-CNN in both performance and speed performance. The model showed excellent performance on local clinical data and it processed images at 62 FPS in real-time. YOLOv11 serves as an essential tool for AI-based radiology support in orthopedic trauma treatment because it provides high diagnostic performance with minimal system requirements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».