基于小波变换与分层混合匹配的端到端儿童腕部骨折检测模型WH-DETR研究

为解决儿童腕部骨折诊断效率低、依赖人工经验的问题，研究人员开发了基于DEtection TRansformer（DETR）框架的WH-DETR模型，创新性引入小波变换投影（WTP）模块和分层混合匹配（HHM）框架，在GRAZPEDWRI-DX数据集上实现mAP50达68.8%，较现有最优模型提升1.78%，为儿科影像诊断提供了高效自动化解决方案。

　　

儿童腕部骨折是儿科常见损伤，占住院骨折病例的24%，但传统诊断高度依赖放射科医师经验，误诊率可达26%。在医疗资源匮乏地区，这一问题尤为突出。尽管计算机辅助诊断（CAD）技术快速发展，现有基于YOLO系列的检测模型依赖人工设计组件（如非极大值抑制NMS），存在漏检和误检风险。广州医科大学附属妇女儿童医疗中心新生儿外科的Bin Yan团队联合广州医科大学附属第三医院妇产科Yuliang Zhang等人，在《Journal of Imaging Informatics in Medicine》发表研究，提出WH-DETR模型，通过融合频域特征与分层训练策略显著提升检测精度。

研究采用三项关键技术：1）小波变换投影模块（WTP）通过2D Haar小波分解提取多频特征，结合逆变换重构增强骨边缘与内部特征；2）分层混合匹配框架（HHM）动态调整解码层匹配次数（12至2次递减），优化正样本利用率；3）基于ResNet50骨干网络与Deformable DETR架构，利用可变形注意力机制降低计算成本。实验使用公开数据集GRAZPEDWRI-DX的20,327张X射线图像，按85:15划分训练测试集。

研究结果部分：

1. 模型框架：WH-DETR包含四部分：ResNet50骨干网络提取多尺度特征，WTP模块分解低频（f_LL）与高频分量（f_LH/f_HL/f_HH），6层Transformer编码器-解码器结构，以及分层FFN预测头。
2. 性能对比：在3047张测试图像中，WH-DETR以43M参数量实现mAP₅₀ 68.8%、mAP_50-90 48.3%，超越YOLOv9-E（67.5%/47.1%）和DINO（67.1%/47.3%），F1分数提升1.75%。
3. 模块有效性：WTP使骨内部特征激活强度提升37%，HHM将浅层解码器候选框数量从12个逐步收敛至2个，训练时间仅增加5.76分钟。
4. 类别分析：模型对骨折（94.8% mAP₅₀）和金属植入物（94.1%）检测最优，但对骨异常（35.9%）和软组织（51.2%）识别仍存挑战，需结合多模态数据改进。

结论指出，WH-DETR是首个应用于儿科骨折检测的纯Transformer模型，消除了人工后处理步骤，通过频域特征融合和任务解耦策略实现高效端到端检测。局限在于WTP对边缘信息的敏感性及HHM超参数需任务适配。未来可扩展至MRI/CT多模态分析，为儿童骨发育异常等复杂病症提供新思路。