第二名方案

我要感谢 Kaggle 主办这场有意义的比赛，也要感谢我的队友，特别是 @kapenon，他在整个比赛过程中一直与我并肩作战。

我要感谢 @theoviel 提供了快速的 DALI 推理 notebook，这对我们完成比赛帮助很大。此外，还要感谢 @pourchot 慷慨分享的外部数据，其中包含宝贵的阳性病例数据，对我们最终方案的成功做出了贡献。

幸运的是，我们团队获得了第二名，我很高兴分享我们的方法。

方法总结

阶段

1. 使用外部数据集在 1280x1280 分辨率下预训练单视图模型（感谢 @pourchot，数据集）
2. 在不使用外部数据集的情况下，在 1536x1536 分辨率下微调单视图模型
3. 使用微调后的单视图模型进一步微调双视图模型和四视图模型

模型

• ConvnextV1 small (来自 mmclassification)

1. 数据准备

• 我们对大约 300 张图像中的目标乳腺进行了边界框的手动标注。随后，我们训练了一个基本的 Faster R-CNN 模型，用于裁剪后续训练阶段的所有乳腺区域。
  • 在标注边界框时，我们的目的是细化框的大小，意图让后续阶段模型的注意力更精确地集中在乳腺区域。具体来说，我们的方法涉及最小化边界框，以排除乳头和其他无关的身体部位。
• 使用训练好的 Faster R-CNN 裁剪外部数据集。

2. 数据增强

1. ShiftScaleRotate (来自 albumentation)
   • 我们假设模型是根据图像的组织或纹理来检测癌症的。因此，以任意角度旋转图像应该是安全的。
2. RandomFlip (来自 mmcls)
3. RandAugment (来自 mmcls)
4. RandomErasing (来自 mmcls)

3. 模型

主干网络: ConvnextV1 small

单视图模型

损失函数

1. 癌症: EQL 损失 链接
2. 辅助损失 (权重 0.1):
   1. BIRADS: EQL 损失
   2. 密度: EQL 损失
   3. 困难阴性病例: EQL 损失，仅针对阴性病例
   4. 视图: CE 损失
   5. 侵袭性: CE 损失，仅针对阳性病例

双视图模型

元信息: 年龄, 假体, 机器 ID

多侧位双视图模型

同比赛其他方案