第11名解决方案

感谢主办方，并祝贺所有的获奖者！

概述

在这次比赛中，由于基于HPA标记数据的交叉验证（CV）对于提高私有排行榜分数并不可靠，我尽可能多地进行了提交，仅通过Hubmap数据的排行榜分数来确认实验的有效性。最终，以下三点是我解决方案的关键：

• 使用GTEx数据
• 尽可能多的模型集成与TTA（测试时增强）（12个模型 x 20次TTA）
• 后处理

模型

总共使用了12个模型进行集成。

• EfficientNet B4/B5/B6/B7 - Unet
• EfficientNetV2 S/M/L - Unet
• ConvNeXt T/S/B - DeeplabV3+
• Swin B/L - Unet

训练

• 数据被调整为x0.25比例（对于GTEx数据，在重新缩放到0.4 um像素大小后），并随机裁剪为512x512大小
• 训练120个epoch
• 损失函数：BCE loss + Dice loss
• 优化器：Adam
• 学习率策略：带预热 的余弦衰减
• 使用了比平时比赛更强的数据增强
• 使用ImageNet预训练骨干网络
• 在Kaggle内核的TPU或Colab Pro上训练
• 所有模型均使用TensorFlow训练
• 所有数据均用于训练（未使用kFold交叉验证）

外部数据

我从GTEx Portal下载了外部数据，并为它们制作了伪标签。由于GTEx的.svs图像分辨率太高，在制作伪标签之前将它们裁剪成图块。如果伪标签的掩码区域太小或没有掩码，则排除该图块。伪标签经过人工检查，如果明显错误则进行修改或移除。这些数据通过与原始标记数据混合用于训练。最终，来自40个样本的共650个图块被用于训练。这使我的Hubmap排行榜分数提高了约0.02。

TTA（测试时增强）

虽然我最多可以使用8种组合模式，但由于9小时的运行时间限制，我将其减少到四种。比例是根据x0.25的训练比例选择的。

• 5种比例 x 4种模式 = 每个模型20次TTA
• 5种比例：0.19, 0.21, 0.23, 0.25, 0.28
• 4种模式：原始, 左右翻转, 上下翻转, 旋转90度

后处理

虽然没有明确的证据，但特别是对于“脾脏”和“肺”，掩码的边界比较模糊，所以我尝试放大或缩小掩码并在排行榜分数上确认效果。结果，缩小脾脏和肺的预测掩码提高了我的排行榜分数。我没有在最终提交之一中包含后处理，因为我认为存在过拟合公共数据的可能性。然而，如果包含后处理，最终的私有排行榜分数会更好。后处理通过以下代码实现。

SHRINK = {'spleen': 10, 'lung': 10}

def post_proc(preds, organ):
    # preds: 二值化后的预测掩码
    
    if organ in SHRINK.keys():
        contours, _ = cv2.findContours(preds, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        preds = preds.astype(np.int8)
        preds_cont = np.zeros_like(preds)
        preds_cont = cv2.drawContours(preds_cont, contours, -1, 1, SHRINK[organ]*2)
        preds = (preds - preds_cont).clip(0, 1).astype(np.uint8)
    return preds