第五名解决方案及代码

感谢 Kaggle 和 RSNA 举办这场激动人心的比赛。
这是一次很棒的学习经历，很有趣看到我的计算机视觉经验有多少可以应用到医学影像中。我对结果相当失望，但我将其视为向其他团队学习的机会。

整体流程

1. 2.5D 图像

对于每个切片 t，我结合切片 t-1 和 t+1 创建一个 3 通道图像，对应 [t-1, t, t+1]。

2. 实验 0：动脉瘤检测 (Exp0: Aneurysm detection)

根据我的经验，仅使用分类标签 (train.csv) 不如结合分类和定位标签 (train_localizers.csv) 准确。因此，基于主办方在 train_localizers.csv 中提供的标签，对于每个动脉瘤质心，我在 ±10 个相邻切片内搜索，并使用 LabelImg 手动标注动脉瘤的边界框。
此过程不需要专门的医学知识，因为动脉瘤质心已经提供。
2 个类别：aneurysm (模态 CTA, MRA, MRI T1post) 和 aneurysm_mri_t2 (模态 MRI T2)。

然后我使用 YOLOv11x 1280 训练了 5 个模型 (5 折)：

3. 实验 1：大脑检测 (Exp1: Brain detection)

对于训练集中的每个 SeriesInstanceUID，我通过平均所有切片生成单张图像。
然后，我手动标注大脑边界框，分为以下 2 类：brain (轴位视图中的大脑) 和 abnormal (其他视图中的大脑)。系列中的每个切片将根据此模型预测的边界框进行裁剪。这减少了背景噪声（尤其是包含肺部区域的切片……），使模型的准确率提高了约 0.03-0.05。

然后我使用 yolov5n 640 训练了 1 个模型：mAP50-95 = 0.948

4. 图像增强

train_transform = albu.Compose([
    albu.RandomResizedCrop(size=(self.image_size, self.image_size), scale=(0.5, 1.0), ratio=(0.75, 1.3333), p=1),
    albu.ShiftScaleRotate(rotate_limit=15, border_mode=0, p=0.5),
    albu.OneOf([
        albu.MotionBlur(blur_limit=5),
        albu.MedianBlur(blur_limit=5),
        albu.GaussianBlur(blur_limit=5),
        albu.GaussNoise(var_limit=(5.0, 30.0)),
    ], p=0.5),
    albu.CLAHE(clip_limit=4.0, p=0.5),
    albu.HueSaturationValue(p=0.5),
    albu.RandomBrightnessContrast(p=0.5),

val_transform = albu.Compose([
    albu.Resize(self.image_size, self.image_size),
])

水平翻转： 这听起来可能不合理，但我对图像应用了水平翻转，并调整了标签如下：
左床突下颈内动脉 <-> 右床突下颈内动脉
左床突上颈内动脉 <-> 右床突上颈内动脉
左大脑中动脉 <-> 右大脑中动脉
左大脑前动脉 <-> 右大脑前动脉
左后交通动脉 <-> 右后交通动脉
这奏效了，我的模型准确率提高了约 0.01。

5. 实验 2:2 个分类模型 (Exp2)

2 个多标签分类模型 (14 类)，图像大小=384，在此比赛数据集上训练。对于阴性系列，我使用所有切片，而对于阳性系列，我只使用包含动脉瘤框的切片（如第 2 节所述）。每个切片的标签与 train.csv 中的系列标签相同。
vit large 384: OOF AUC = 0.8503
eva large 384: OOF AUC = 0.8551
由于时间限制，我无法使用 5 个模型 (5 折) 进行预测。我只能使用在几乎完整数据集上训练的单模型，仅使用 50 个系列进行评估，并根据公共排行榜选择最佳 epoch。

6. 实验 3：多任务分类 + 分割 (Exp3)

1 个模型 (mit b4 fpn)，图像大小 = 384，在 RSNA 数据集上训练。与 exp2 类似，对于阴性系列我使用所有切片，而对于阳性系列我只使用包含动脉瘤框的切片。每个切片的标签与 train.csv 中的系列标签相同。对于提交，我只使用了分类任务的预测。为了创建分割任务的掩码，我使用动脉瘤边界框 (2)。
mit-b4 FPN : OOF AUC = 0.8549

7. 外部数据集

我使用了比赛数据集和 2 个外部数据集：
Lausanne_TOFMRA: 链接
Royal_Brisbane_TOFMRA: 链接
对于外部数据，我使用 2 个模型的预测 (vit large exp2 + mit b4 exp3) 生成系列标签，并使用模型 exp0-动脉瘤检测的预测生成定位标签。

8. 清洗训练集

对于训练集中 'Aneurysm Present' 预测分数 (2 个模型 vit large exp2 + mit b4 exp3) > 0.9 的阴性系列，我将其更改为阳性，并使用模型 exp0-动脉瘤检测创建定位标签。

9. 实验 4:2 个分类模型 (Exp4)

2 个分类模型在清洗后的 RSNA 数据集 (8) 和外部数据集 (Lausanne_TOFMRA + Royal_Brisbane_TOFMRA) 伪标签 (7) 上训练。
vit large 384: OOF AUC = 0.8558
eva large 384: OOF AUC = 0.8579

10. 实验 5：多任务分类 + 分割 (Exp5)

1 个模型 (mit b4 fpn)，图像大小 = 384，在清洗后的 RSNA 数据集 (8) 和外部数据集 (Lausanne_TOFMRA + Royal_Brisbane_TOFMRA) 伪标签 (7) 上训练。
mit-b4 FPN 384: OOF AUC = 0.8629

11. 最终提交

最终提交是 6 个模型的集成：

• Final1: 0.25 exp3_mit_b4 + 0.25 exp5_mit_b4 + 0.125 exp2_vit_large + 0.125 exp4_vit_large + 0.125 exp2_eva_large + 0.125 exp2_eva_large
• Final2: 0.5 exp3_mit_b4 + 0.125 exp2_vit_large + 0.125 exp4_vit_large + 0.125 exp2_eva_large + 0.125 exp2_eva_large

Final1: OOF AUC = 0.8823, 公共排行榜 = 0.89
Final2: OOF AUC = 0.8767, 公共排行榜 = 0.89