第16名方案：分割与元分类器

大家好！

首先，感谢 Kaggle 团队和组织者举办这次比赛！同时，祝贺所有的获奖者！

数据

预处理

我的预处理代码很大程度上依赖于公开的 Notebook（例如：去除字母、通过轮廓裁剪乳房）。

1. 使用 dicomsdl 和 nvjpeg2000 解码 .jpeg 文件。
2. 裁剪边缘（边缘像素 10）。
3. 使用 opencv2 提取乳房区域（基于轮廓）。
4. 调整大小至 1536x960。（我粗略估计调整为 1.5 ~ 2.0 的长宽比是可以的。）

在我的实验中，窗技术对分数没有正向影响，所以我决定不使用它。

数据增强

强数据增强效果很好。轻度增强往往会导致过拟合。

• 垂直/水平翻转
• 缩放 / 旋转
• 亮度 / 对比度
• Cutout（大补丁尺寸的粗粒度 Dropout）
• Mixup

架构

由于缺乏时间和计算资源，我无法花费大量时间运行各种实验。因此，我只测试了少量的主干网络和训练方案。（大约 70% 的提交都是运行时错误和失误，哈哈）

这是一个完整的流程。

1. 使用 cbis-ddsm 和 vindr 数据集预训练分割模型。
   • 分割：提供的 RoI 图像。
   • 标签：malignant（恶性）标记为癌症 / BIRADS 5 标记为癌症。
     当然，标签并不完全符合比赛标准。但我粗略地认为，也许这在某些方面有助于训练模型。
2. 使用比赛数据进行训练（使用预训练模型的权重进行初始化）
   • 分割：使用预训练模型进行推断。
   • 辅助：给定的元特征（共 11 个特征）。
3. 使用 步骤 2 的模型重新标记外部数据。
4. 使用比赛数据重新训练（使用 步骤 3 的模型进行初始化）。
5. 训练一个元分类器（oof + 元特征（例如：侧别、年龄等））。

作为基线，我运行了步骤 1 ~ 2 和 5，达到了 CV 0.4885，LB 0.59（PB 0.46）。此外，我只使用 cbis-ddsm 数据集进行预训练测试，CV 和 LB 下降了约 0.02，但 PB 分数相同（CV 0.4656，LB 0.57，PB 0.46）。

截止日期前一周，我完成了步骤 ~ 5，得到 CV 0.5012，LB 0.55（PB 0.51）。遗憾的是，我没有选择它作为最终提交 : (

比赛最后一天，我集成了 effnet_v2_s 主干网络，得到 CV 0.5063，LB 0.56（PB 0.49）。

最后，我选择了 LB 和 CV 最好的模型作为最终提交。

元分类器

我使用年龄、侧别等元特征以及预测值的（每侧乳房）统计数据构建了一个元分类器。通常，它能在 CV 和 LB（以及 PB）上带来约 0.02 的提升。

我担心会对某些元特征（例如：机器 ID、（预测的）密度等）过拟合，所以我决定只使用 3 个辅助特征（年龄、site_id、侧别）来训练模型。

• 特征：年龄、site_id、侧别、预测值的（均值、标准差、最小值、最大值）。
• 交叉验证：分层 K 折（5 折）
• 模型：CatBoost

有效方法

• 更高的分辨率（1536x768 ~ 1024）效果更好。
• 外部数据
  • 它带来了约 +0.02 的提升。