No tratamento assistido por inteligência artificial de fraturas ósseas, existem problemas devido ao fato de que a fratura normalmente vem acompanhada de sintomas como sangramento, imagens de tomografia computadorizada (TC) obtidas em diferentes posições corporais apresentam grandes diferenças, o tamanho dos locais da fratura varia, e a interferência do local de sangramento e dos tecidos circundantes resulta em extração insuficiente de características e baixa precisão na detecção da fratura. Portanto, foi projetada uma rede 3M-YOLOv5 para detectar fraturas da mandíbula. Na rede de extração de características, um módulo denso foi utilizado, aproveitando as conexões densas para melhorar a capacidade de extração de características da rede; utilizou-se um módulo de atenção local-global para extrair informações globais das imagens de TC; construiu-se um bloco denso multiescala leve para extrair características multiescala dos locais da fratura com poucos parâmetros; na rede de aprimoramento de características, foi projetado um módulo de fusão bidirecional de características entre dimensões, permitindo a interação entre altura, largura e canais dos mapas de características, além de introduzir pesos treináveis para equilibrar a importância da fusão dos mapas em diferentes escalas. Para verificar a eficácia da rede 3M-YOLOv5, foram realizados experimentos de ablação e experimentos comparativos em um conjunto de dados auto-construído. Os resultados experimentais mostraram que, com um limiar de confiança de 0,5, os valores de mAP, F1, recall e precisão da rede 3M-YOLOv5 foram 99,17%, 99,06%, 98,81% e 99,32%, respectivamente. A rede proposta para detecção de fraturas da mandíbula em imagens de TC pode detectar bem as fraturas nas imagens, auxiliando os médicos a formular planos de tratamento.

Detecção de objetos;Fratura da mandíbula;YOLOv5;Atenção entre dimensões;Rede neural de conexões densas