第6名解决方案

首先，感谢RSNA和Kaggle主办这场比赛。
恭喜所有参赛者。
我的解决方案基于我在以往RSNA比赛中的经验教训，以及从优秀竞争者那里学到的思路。

数据

我使用了@theoviel提供的数据集。感谢他的贡献。
我基于患者ID（n=3147）创建了5个折叠。

模型

我根据标签类型将任务分为三个部分：

• 器官模型：分割标签(nii) + 研究标签
• 肠模型：分割标签(nii) + 研究标签 + 图像标签
• 外渗模型：研究标签 + 图像标签

1) 器官模型

首先，我训练了一个3D分割模型来生成器官掩码。

我使用了Qishen的3D分割代码：https://www.kaggle.com/competitions/rsna-2022-cervical-spine-fracture-detection/discussion/362607
我裁剪了器官区域，并为每个器官提取了15个切片。因为从以往的RSNA比赛中获得了很多思路，我开始使用相邻±2通道的方法。
我尝试了仅使用1个切片但包含5个通道的方法，因为我想比较不同方式的效果，但最终这个方法表现更好。所以我最终采用了这种方式。不过我认为原始方法更有意义。

然后我使用裁剪后的体积和研究标签训练了CNN + 序列模型。

模型结构：

1. 3D分割：生成掩码并裁剪（每个器官15个切片）
   • resnet18d
2. CNN 2.5D + 序列：使用研究标签训练器官分类器
   • efficientnetv2s + LSTM
   • seresnext50_32x4d + LSTM

2) 肠模型

3D分割部分与上述相同。

唯一的区别是我为肠区域裁剪了30个切片。

我还使用裁剪后的体积以及研究和图像标签训练了CNN + 序列模型。

模型结构：

1. 3D分割：生成掩码并裁剪（每个器官30个切片）
   • resnet18d
2. CNN 2.5D + 序列：使用研究和图像标签训练器官分类器
   • efficientnetv2s + LSTM
   • seresnext50_32x4d + LSTM

3) 外渗模型

对于外渗模型，我使用步长5和±2相邻通道的方式获取切片。
例如，每个图像的形状为(5, size, size)，5个通道分别是[n-2, n-1, n, n+1, n+2]。
我还将图像大小调整为384。我尝试了其他方法，如512大小、裁剪图像等，但效果不佳。

外渗模型基于2个阶段。
首先，我训练特征提取器并获得特征嵌入。
其次，我训练序列模型。
这些足以进入黄金区域。

此外，多亏了Ian的边界框标签，我能够进一步优化外渗模型。

在我的实验中，使用边界框标签训练检测器效果不佳。
所以我使用这个标签让模型专注于外渗区域。
我在特征提取器中添加了分割头，效果很好。

这个添加分割头的想法来自之前的Siim比赛。

模型结构：

1. 特征提取器
   • seresnext50_32x4d
   • efficientnetv2s
2. 序列模型
   • GRU

不奏效的方法

• Yolov7 + Ian Pan外渗框。使用边界框训练检测器来裁剪区域效果不佳。
• 单独的器官模型。

我真诚地感谢每次制作并分享优秀解决方案的众多参赛者。
多亏了你们，我学到了很多，并成为了一名Kaggle Master。
此外，感谢主办方以及为最佳解决方案做出贡献的每个人。