🦴 Pediatric Bone Fracture Detection with YOLOv8

🏥 Détection automatique de fractures osseuses chez les enfants à partir de radiographies médicales utilisant YOLOv8.

📋 Table des matières

• 🎯 Objectif
• 🚀 Installation rapide
• 📁 Structure du projet
• 🔧 Utilisation
• 📊 Dataset
• 🧠 Modèle
• 🖼️ Interface Web
• 📈 Évaluation
• 🤝 Contribution

🎯 Objectif

Ce projet propose une pipeline complète d'inférence pour détecter automatiquement les fractures visibles sur les radiographies pédiatriques du poignet et de l'avant-bras.

Fonctionnalités principales :

• ✅ Détection de fractures avec YOLOv8
• ✅ Interface web interactive (Streamlit)
• ✅ Support image/vidéo/webcam
• ✅ Métriques d'évaluation complètes
• ✅ Pipeline prête pour la production

🚀 Installation rapide

Prérequis

• Python 3.8+
• GPU recommandé (CUDA compatible)

Installation

# Cloner le repository
git clone https://github.com/amdjadouxx/BONES_BREAK_DETECTION.git
cd BONES_BREAK_DETECTION

# Installer les dépendances
pip install -r requirements.txt

# Télécharger le dataset (optionnel)
python scripts/prepare_data.py --download

# Lancer l'interface web
streamlit run webapp/app.py

📁 Structure du projet

📦 BONES_BREAK_DETECTION/
├── 📁 data/                    # Gestion du dataset
│   ├── raw/                    # Données brutes
│   ├── processed/              # Données prétraitées
│   └── annotations/            # Annotations YOLO
├── 📁 models/                  # Modèles YOLOv8
│   ├── pretrained/             # Modèles pré-entraînés
│   └── checkpoints/            # Checkpoints d'entraînement
├── 📁 inference/               # Pipeline de prédiction
│   ├── predict.py              # Prédiction sur images
│   ├── video_inference.py      # Prédiction vidéo/webcam
│   └── batch_predict.py        # Prédictions par lots
├── 📁 webapp/                  # Interface Streamlit
│   ├── app.py                  # Application principale
│   └── components/             # Composants UI
├── 📁 notebooks/               # Analyse exploratoire
│   ├── 01_data_exploration.ipynb
│   ├── 02_model_evaluation.ipynb
│   └── 03_results_analysis.ipynb
├── 📁 utils/                   # Fonctions utilitaires
│   ├── data_utils.py           # Prétraitement données
│   ├── model_utils.py          # Gestion modèles
│   ├── visualization.py        # Visualisations
│   └── metrics.py              # Métriques d'évaluation
├── 📁 scripts/                 # Scripts utilitaires
│   ├── prepare_data.py         # Préparation dataset
│   ├── convert_to_yolo.py      # Conversion format YOLO
│   └── evaluate_model.py       # Évaluation modèle
├── 📁 config/                  # Configurations
│   ├── model_config.yaml       # Config modèle
│   └── data_config.yaml        # Config dataset
├── 📄 requirements.txt         # Dépendances Python
├── 📄 setup.py                 # Installation package
└── 📄 README.md                # Documentation

🔧 Utilisation

Prédiction sur une image

from inference.predict import PediatricFractureDetector

# Initialiser le détecteur
detector = PediatricFractureDetector('models/best.pt')

# Prédiction
results = detector.predict('path/to/xray.jpg')
detector.save_results(results, 'output/')

Prédiction via ligne de commande

# Image unique
python inference/predict.py --source path/to/image.jpg --output results/

# Dossier d'images
python inference/predict.py --source path/to/images/ --output results/

# Vidéo ou webcam
python inference/video_inference.py --source webcam --output results/

📊 Dataset

Ce projet utilise le RSNA Pediatric Bone Age Dataset et des datasets open-source de radiographies pédiatriques :

Sources de données :

• 🔗 RSNA Bone Age Challenge

Caractéristiques :

• ~12,000 radiographies pédiatriques
• Annotations : bounding boxes des fractures
• Métadonnées : âge, sexe, localisation anatomique
• Format : DICOM → PNG/JPG + annotations YOLO

🧠 Modèle

Architecture YOLOv8

• Modèle base : YOLOv8n/s/m/l/x (configurable)
• Classes : fracture, no_fracture
• Input : 640x640 pixels
• Pré-traitement : normalisation, augmentation

Performance attendue :

• Précision : ~85-90%
• Rappel : ~80-85%
• F1-Score : ~82-87%
• Temps d'inférence : <100ms (GPU)

🖼️ Interface Web

Interface Streamlit intuitive permettant :

• 📤 Upload d'images médicales
• 🔍 Visualisation des prédictions
• 📊 Affichage des scores de confiance
• 💾 Téléchargement des résultats
• 📈 Historique des prédictions

📈 Évaluation

Métriques disponibles :

• Précision, Rappel, F1-Score
• Matrice de confusion
• Courbes ROC/PR
• Heatmaps de confiance
• Analyse des erreurs

Lancer l'évaluation :

python scripts/evaluate_model.py --model models/best.pt --data data/test/

Développement local :

# Créer un environnement virtuel
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# Installation en mode développement
pip install -e .

# Tests
python -m pytest tests/

---

📞 Contact

• Auteur : Amdjadouxx
• Email : amdjadahmodali974@gmail.com

📜 License

Ce projet est sous licence MIT. Voir LICENSE pour plus de détails.

---

⭐ N'hésitez pas à starred ce projet si vous le trouvez utile !