第4名方案：染色归一化就是你所需要的一切

首先，我们要感谢组织者为这场精彩的比赛所付出的努力。然后，我们要感谢 @hengck23，我们从你的代码和 notebook 中学到了很多。

这是我参加的第二次 Kaggle 比赛，也是我第一次参加图像分割比赛，我学到了很多东西，谢谢大家。

在这次比赛中，我们主要依靠双流模型（two-stream model）、模型集成的一些技巧以及推理阶段的染色归一化，没有使用任何伪标签或外部数据，也许这就是我们错失奖项的原因，哈哈哈 :)

模型

起初，我们参考了 @hengck23 分享的代码，那是一个非常棒的基线代码。此外，根据我们的经验，我们发现从其他器官学到的知识可能会影响肺部图像的性能，因此我们提出了双流模型，一个流用于肺部图像，另一个模型用于其他器官。然后我们尝试了一些其他的编码器和解码器，最终的集成模型如下所示：

• 编码器: Coat-lite-medium; 解码器: daformer+unet
• 编码器: mit (Segformer); 解码器: daformer+unet
• 编码器: mpvit; 解码器: daformer+unet

染色归一化

这是我们在训练和推理步骤中最重要的一部分，因为我们认为本次比赛最大的挑战是如何弥合 HPA 和 HuBMAP 图像之间的差距。我们使用的染色归一化方法来自 Staintools。

训练

首先，在训练步骤中，我们通过随机使用 reinhard 和 vahadane 归一化方法，将 HPA 图像归一化到唯一的一张 HuBMAP 测试图像。这样模型就可以同时学习 HPA 特征空间和 HuBMAP 特征空间中的特征。

推理

然而，仅仅在训练步骤中使用染色归一化是不够的，因为染色归一化仍然无法完美地转换特征空间，我们还需要在推理步骤中使用染色归一化，以便更好地弥合两个数据集之间的差距。

在推理步骤中，我们分别从训练图像中为五个器官选择了一张代表性图像。对于所有的 HuBMAP 图像，我们根据它们的器官标签，使用 vahadane 和 reinhard 方法将它们归一化为 HPA 图像，然后平均它们的预测结果以获得最终的预测掩码。

最终代码将在几天后发布，感谢阅读！