基于改进YOLOv8与ByteTrack算法增强的多平面重建技术实现肋骨病灶快速精准诊断

针对肋骨骨折传统CT诊断效率低、AI解决方案灵敏度不足的问题，华中科技大学团队提出融合全局注意力机制(GAM)与卷积块注意力模块(CBAM)的改进YOLOv8架构，结合ByteTrack多目标追踪算法，构建自动化多平面重建(MPR)系统。临床验证显示其F1值提升11.7%，重建时间缩短70%，为急诊放射科提供兼顾计算效率与诊断可靠性的创新方案。

　　

肋骨骨折作为常见创伤性疾病，可能引发气胸或器官损伤等致命并发症，其快速精准诊断直接影响临床干预效果。目前依赖CT影像的逐层人工判读不仅耗时耗力，且存在高达30%的漏诊率。尽管AI技术已应用于骨折检测，但现有方案在轴向图像分析中缺乏空间上下文信息，而多平面重建(MPR)虽能提高灵敏度，却因需手动调整而难以普及。更棘手的是，低对比度区域的细微骨折模式识别仍是行业痛点，这促使研究者寻求兼顾效率与精度的自动化解决方案。

华中科技大学联合湖北省中山医院的研究团队在《Neurocomputing》发表论文，提出基于改进YOLOv8与ByteTrack算法的增强型MPR框架。该研究纳入213例患者CT数据（含200例骨折病例），通过集成全局注意力机制(GAM)和卷积块注意力模块(CBAM)双重注意力机制强化YOLOv8的特征提取能力，并引入自动驾驶领域成熟的ByteTrack算法实现肋骨连续追踪。关键技术包括：改进YOLOv8的骨干网络架构、基于注意力机制的病灶区域特征增强、跨平面目标关联算法，以及临床验证采用的精确率-召回率曲线分析。

计算机辅助肋骨骨折诊断方法
研究系统对比了传统MPR、曲面重建等技术优劣，指出现有AI方案多聚焦于肋骨分割而非直接骨折检测。通过引入注意力机制，新框架显著提升了对肋软骨交界处等低对比区域的识别能力。

YOLOv8模型基础
改进后的模型在C2f模块中嵌入CBAM，通过通道与空间注意力协同工作，使mAP₅₀达到0.985。SPPF模块的跨阶段特征融合设计有效捕捉了微小骨折的形态学特征。

数据预处理
采用0.5mm层厚CT数据，通过随机旋转、亮度抖动等增强策略构建训练集。特别值得注意的是，研究保留了肋骨的生理性弯曲特征，避免曲面重建常见的几何失真问题。

结论
该框架实现F1值0.977（较基线YOLOv8提升11.7%），重建效率提高70%，其创新性体现在：首次将双重注意力机制引入肋骨检测；建立首个基于目标追踪的MPR自动化流程；临床验证证实对粉碎性骨折的检出率提升显著。作者周越（Yue Zhou）在讨论中指出，该方法成功解决了传统MPR依赖放射科医师经验的问题，为急诊科快速决策提供了可靠工具。

研究获得国家自然科学基金（52275562）和深圳市科技计划（JCYJ20230807143603007）支持，相关算法已申请专利保护。未来工作将探索该框架在骨盆骨折等复杂骨损伤诊断中的迁移应用。