基于YOLO11的骨骼骨折分割检测系统（Python源码+数据集+Pyside6界面）

💡💡💡本文摘要：基于YOLO11的骨骼骨折分割检测，阐述了整个数据制作和训练可视化过程

该项目的重大意义

这个项目的意义可以从技术革新、临床实践、社会效益和数据科学四个维度来理解。

1. 技术革新意义：提升医疗影像分析效率与精度

• 自动化诊断辅助：传统上，X光片需要由放射科医生人工阅片，耗时且容易因疲劳等人为因素产生疏漏。该模型可以在几秒内处理大量影像，快速定位疑似骨折区域，并给出初步分类，极大提升诊断效率。
• 高精度定位：YOLOv8的分割（Segment） 功能不仅能框出骨折部位（目标检测），还能精确地勾勒出骨折线的具体形状和范围（图像分割）。这比简单的框选提供了更丰富的信息，对于评估骨折严重程度、制定手术方案（如确定钢板长度）至关重要。
• 标准化评估：AI模型的分析基于统一的数据和算法标准，有助于减少不同医生之间因经验、水平差异导致的诊断结果不一致性，推动诊断过程的标准化。

2. 临床实践意义：精准支援一线医护人员

• 急诊室快速分诊：在急诊场景中，时间就是生命。该模型可以快速筛查骨折患者，优先处理严重骨折（如肱骨骨折、肩部骨折），帮助医护人员进行高效分诊，优化医疗资源分配。
• 基层医疗机构赋能：对于缺乏资深放射科医生的社区医院、乡镇卫生院，该模型可以作为一个强大的“第二意见”工具，辅助全科医生做出更准确的判断，降低漏诊、误诊风险，有效落实分级诊疗。
• 手术规划与术后评估：精确的骨折分割结果能为骨科医生规划手术路径、选择内固定物提供可视化参考。术后也可用于对比复查影像，评估骨折愈合情况。

3. 社会与经济意义：优化资源，普惠大众

• 减轻医生工作负荷：将医生从繁重的初筛工作中解放出来，使其能更专注于复杂的病例分析、患者沟通和治疗方案的制定，提升整体医疗质量。
• 降低医疗成本：提高诊断效率意味着单位时间内可以服务更多患者。早期准确诊断也能避免病情延误，减少后续更复杂的治疗和更高的医疗费用。
• 促进医疗公平：通过AI技术，将顶尖医院的“诊断能力”以软件的形式下沉到基层，让更多人群能享受到高质量的医疗诊断服务，缩小地域间的医疗水平差距。

4. 数据科学意义：细分领域的专业化探索

• 类别设计具有高度实用性：项目的类别（names）设计非常专业，不仅包含了明确的骨折部位（前臂、肱骨、肩部），还包含了“阳性”发现（肘部、手指、手腕）。在医疗语境中，“阳性”通常指“发现了异常”，可能包括骨折、骨裂、脱位、骨质增生等多种情况。这种设计说明模型的目标不仅是识别明确的骨折，还能提示医生关注这些“异常”区域，由医生进行最终确诊，这是一个非常合理且安全的AI辅助诊断思路。
• 为更复杂的医疗AI打下基础：成功实施此类项目后，其技术流程和经验可以迁移到其他部位的骨折（如髋部、脊柱）或其他疾病的X光影像分析（如肺炎、肺结节）中，具有很高的拓展价值。

博主简介

AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；

1.YOLO11介绍

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

结构图如下：

1.1 C3k2

C3k2，结构图如下

C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck

实现代码ultralytics/nn/modules/block.py

1.2 C2PSA介绍

借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）

实现代码ultralytics/nn/modules/block.py

1.3 11 Detect介绍

分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：

实现代码ultralytics/nn/modules/head.py

2.骨骼骨折分割检测系统

2.1 骨骼骨折分割检测数据集介绍

数据集大小：训练集1804张，验证集173张，测试集83张

类别7类：
 nc: 7 names: ['肘部阳性', '手指阳性', '前臂骨折', '肱骨骨折', '肱骨', '肩部骨折', '手腕阳性']

细节图：

标签可视化分析

2.2 配置Bonefracture-seg.yaml

ps:建议填写绝对路径

path: D:/YOLOv11/data/Bonefracture-seg
train: ./train/image
val: ./valid/images
test: ./test/images

nc: 7
names: ['Elbow fracture', 'Finger fracture', 'Forearm fracture', 'Humerus fracture', 'Humerus', 'Shoulder fracture', 'Wrist fracture']
#names: ['肘部阳性', '手指阳性', '前臂骨折', '肱骨骨折', '肱骨', '肩部骨折', '手腕阳性']

2.3 如何训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11-seg.yaml')
    model.train(data='data/Bonefracture-seg.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=8,
                close_mosaic=10,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

2.4 训练结果可视化结果

YOLO11-seg summary (fused): 265 layers, 2,835,933 parameters, 0 gradients, 10.2 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)     Mask(P          R      mAP50  mAP50-95): 100%|██████████| 6/6 [00:07<00:00,  1.17s/it]
                   all        173        204      0.292       0.31      0.256     0.0906      0.293      0.301      0.235     0.0793
        Elbow fracture         28         29      0.154      0.172      0.125     0.0283      0.185      0.207      0.131     0.0351
       Finger fracture         41         48      0.161      0.146     0.0838     0.0257      0.186      0.167      0.093     0.0211
      Forearm fracture         37         43      0.355      0.442      0.368      0.142      0.321      0.395      0.328      0.122
               Humerus         31         36      0.573      0.556      0.607       0.19      0.547      0.528       0.52      0.171
     Shoulder fracture         19         20       0.33        0.4      0.279      0.127      0.382        0.4      0.277      0.107
        Wrist fracture         17         28      0.179      0.143     0.0757      0.031      0.135      0.107     0.0628     0.0195

预测结果：

3. 骨骼骨折分割检测系统设计

3.1 PySide6介绍

受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。

PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。

PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。

3.2 安装PySide6

pip install --upgrade pip
pip install pyside6 -i https://mirror.baidu.com/pypi/simple

基于PySide6开发GUI程序包含下面三个基本步骤：

• 设计GUI，图形化拖拽或手撸；
• 响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
• 打包发布；

3.3 骨骼骨折分割检测系统设计

​