RSNA 2023腹部创伤检测第七名解决方案与代码

感谢RSNA举办这次精彩的比赛，这给了我一次很好的体验，我相信这将在Kaggle上开启一段美妙的旅程。

我将简要介绍本次比赛中使用的解决方案。

数据集

序列图像数据

• 我的解决方案采用2.5D处理流程，需要将序列处理为特定形状 [T * 3, 512, 512]，每个序列将被采样至固定长度（例如T=32）
• 然后对每个独立切片图像进行裁剪，以尽可能包含图像中的有效数据。这可以通过统计有效像素来实现
• 最后将图像重塑为[256, 384]的形状

裁剪和重塑结果的示例如下：

序列器官掩码

使用Total Segmentator模型为所有序列生成分割结果。肠道掩码计算方式为：bowel_mask = colon_mask + duodenum_mask + small_bowel_mask + esophagus_mask。这些掩码将作为掩码真实值，用于辅助分类任务。

模型架构

Backbone:
InternImage (base) → 输出步长 (8, 16, 32)

Neck:
UnetPlusPlus → 输出步长 (4, 8)

Head:
我认为Head部分是本方案中最有价值且最有效的部分。肠道、肝脏、脾脏和肾脏都具有特定的形状和位置，除了渗出物外。因此设计了两个分类头：

• 对于第一个头，参考了Mask2Former的解码思想，学习从查询预测掩码，并将其作为解码器层的注意力。这有助于每个查询提取每个器官的有效信息
• 对于渗出物头，使用图像级标签辅助特征学习，以实现更好的分类效果

整个处理流程如下：

损失函数：
所有交叉熵损失根据每个患者中每个器官的状态进行加权。器官权重与官方验证时使用的权重一致。

后处理

我简单地对相同患者ID的不同序列的结果进行了平均。

模型集成

所有集成模型使用相同的模型架构，仅使用不同的序列长度(T=24/32/48)和不同的数据折叠。