第7名解决方案：用于检测任务的分割方法

感谢主办方举办这场有趣的比赛，并祝贺所有为开发解决方案而努力工作的人们。

摘要

在我们的解决方案中，利用3D分割方法来完成骨折检测任务。由于主办方没有提供骨折区域的分割标签，我们使用数据增强和边界框真值（GT）来生成伪分割掩码。我们的最终框架包含3个阶段：

• 阶段1： 使用3D-UNet分割C1-C7椎体
• 阶段2： 使用3D-UNet分割骨折区域
• 阶段3： 利用阶段1和阶段2的输出预测最终分数

阶段1：使用3D-UNet分割C1-C7椎体

• 数据：
  • 比赛数据：87例
  • TotalSegmentator (CC-BY-4.0)：160例 (链接)
  • Verse2020(CC-BY-SA-4.0)：42例 (链接)

  外部数据可能不是必须的。与骨折检测相比，分割C1-C7是一项相对容易的任务，仅使用比赛数据也能获得准确的结果。

• 模型： 3D-UNet (32, 64, 128, 256, 320, 320)
• 损失函数： DICE + BCE
• 输入尺寸： (160, 128, 128)
• 图像分辨率： (1.5, 1.5, 1.5)mm
• Batch size： 2
• 训练迭代次数： 250k，在3090显卡上约需2天
• 后处理： 保留C1-C7的最大连通分量

阶段2：使用3D-UNet分割骨折区域

共有2019张CT图像和2019个患者级别的真值（GT），但仅提供了235名患者的骨折边界框，因此我们使用伪标签技术来生成骨折分割掩码。

• 步骤1：初始伪骨折分割掩码生成
  • Type1： 使用数据增强生成
  • Type2： 使用235个边界框标签生成（移除骨骼外的边界框）
• 步骤2：使用235个初始伪骨折分割掩码训练模型
  • 模型： 3D-UNet (32, 64, 128, 256, 320, 320)
  • 损失函数： DICE + BCE
  • 输入尺寸： (96, 192, 192)
  • 图像分辨率： (0.8, 0.4, 0.4)mm
  • Batch size： 2
  • 训练迭代次数： 250k，在3090显卡上约需2天
• 步骤3：伪掩码优化（最终我们获得了823例伪掩码）

  虽然有2019个患者级别的GT，