第32名方案

恭喜所有获奖者和奖牌得主！
我很享受这次比赛，因为解决这个任务有非常多不同的选择。当然我无法尝试所有的方法，但例如：

• 分类器 vs. 目标检测方法
• 3D 模型 vs. 2.5D 模型
• 同时检测椎骨和骨折 vs. 先检测椎骨再对其进行分类（或检测边界框）
• 训练分割掩码以提取颈椎 vs. 使用原始体素（切片）
• 根据 C1-C7 概率计算整体概率 vs. 训练一个专门用于整体骨折预测的模型

我的方案简要总结如下：

• 流程
  • 使用分割模型提取颈椎
  • 将 C1-C7 区域裁剪为体素
  • 使用分类模型预测每块颈椎（C1-C7）的骨折概率
  • 使用 C1-C7 骨折概率之和作为整体骨折概率（经过截断处理）
• 分割模型
  • MONAI 3D UNet
  • 令人惊讶的是，它在训练数据量较少的情况下效果很好
• 分类模型
  • 2.5D CNN (EfficientNetV2-L) + Transformer 编码器
  • 对每块颈椎（C1-C7）使用不同的位置嵌入

对我无效的方法：

• 3D CNN 分类器
  • 相比于 2.5D 方法，我更喜欢 3D CNN 方法 ;(
  • 这和 UW-Madison GI Tract Image Segmentation 竞赛情况类似（3D CNN 有效，但 2.5D 效果更好）
• 使用注意力机制同时预测 C1-C7 概率（不进行分割）
• 专门的整体预测模型

我很期待看到其他团队的解决方案！