首先，我要向Kaggle团队和RSNA主办方表达诚挚感谢，感谢他们举办了这场精彩的竞赛。同时感谢所有全力以赴的参赛者们，特别感谢我的队友@liushuzhi的不懈努力和富有洞见的讨论。

概述

各模型详细说明

3D分割

• 使用了@haqishen在上届竞赛冠军方案中的实现。[1]（感谢！）
• 输入尺寸: (128, 128, 128)
• 使用的模型: ResNet18d, UNet

分类 - 肝脏/肾脏/脾脏

• 开发了单一模型同时对这三个器官进行分类，而不是为每个器官单独建立模型，因为这样性能更好。
• 对于拥有2个序列的患者，仅使用其中aortic_hu值较低的序列进行训练；对于只有1个序列的患者，则使用全部数据。这个决定基于实验结果而非特定原理。
• 使用3D分割掩码进行长方体裁剪，并略微扩展以保留边缘信息。
• 根据竞赛评估指标[1, 2, 4]对训练损失进行加权。
• 模型架构: SE-ResNeXt → LSTM → 连接[1D CNN, Attention]
• 输入尺寸: (96, 4, 256, 256)
  • 通道包括(i-1, i, i+1, mask)，其中'i'表示沿z轴的图像索引。

分类 - 肠道

采用两阶段训练策略以利用图像级标签。

第一阶段

• 使用image_level_label.csv进行2D模型的图像级二分类。
• 与肝/肾/脾模型类似，使用3D分割掩码进行长方体裁剪生成4通道输入数据。输入尺寸为(4, 384, 384)。
• 随机采样数据使正负样本比例达到1:10。
• 根据竞赛评估指标对损失进行加权。
• 使用SE-ResNeXt模型。

第二阶段

• 聚合第一阶段模型提取的特征。
• 模型架构: SE-ResNeXt → LSTM
• 加载第一阶段权重并冻结，仅更新LSTM之后的网络部分。

分类 - 外渗

同样采用两阶段训练策略利用图像级标签。模型结构和聚合方法与肠道分类相同，但有以下调整：

• 不进行长方体裁剪
• 由于异常区域较小，将分辨率提升至(96, 3, 512, 512)
• 对于拥有2个序列的患者，使用aortic_hu值较高的数据以突出特征

后处理

引入后处理步骤以优化any_injury的预测结果。我们采用的最简后处理方法是系数相乘：

基于OOF预测值搜索并应用不同系数。虽然原计划构建堆叠模型，但受限于时间进行了简化。

low_coef = 1.5
high_coef = 1.5
ev_coef = 1.5
bowel_coef = 1.0

df_pred["liver_low"] *= low_coef
df_pred["liver_high"] *= high_coef
df_pred["kidney_low"] *= low_coef
df_pred["kidney_high"] *= high_coef
df_pred["spleen_low"] *= low_coef
df_pred["spleen_high"] *= high_coef
df_pred["extravasation_injury"] *= ev_coef
df_pred["bowel_injury"] *= bowel_coef

交叉验证结果

源代码

致谢

再次感谢Kaggle团队和主办方组织了这场精彩竞赛，感谢所有专注的参赛者，以及Rist Inc.在计算资源上的大力支持。