第 18 名解决方案

副标题：使用分割模型对每个血管类别的 ROI 进行分类

首先

首先，我想感谢主办方提供了如此有意义的比赛，感谢 Kaggle 工作人员，以及所有在讨论中分享见解的参与者。

策略

在比赛早期，基于提供的数据集，我制定了一个策略：使用分割模型生成 ROI，然后对它们进行分类。

流程概述

1. 阶段 1：通过 2.5D 分割模型预测血管掩膜并在血管类别级别提取 ROI
2. 阶段 2：ROI 分类
3. 阶段 3：ROI 评分及序列级聚合

学习过程

阶段 1（分割模型）

• 我们使用带有 EfficientNet-B0 骨干网络的 smp.Unet 进行了切片级掩膜预测。
• 对于预处理，对 CT 图像应用了窗宽窗位调整，对 MRI 图像应用了百分位归一化。同时也使用了基本的数据增强技术。
• 输入尺寸为 (C, H, W) = (3, 512, 512)。
• 为了解决阴性、阳性和特定血管阳性样本之间的类别不平衡，我们使用了具有切片级权重的随机采样器。
• 使用 3 通道输入比 1 通道输入取得了更好的准确率。
• 最终 Dice 分数约为 0.66。

阶段 1（血管类别级 ROI 提取）

• 我们使用分割模型提取了 ROI。
  每个 ROI 都是为每个血管类别生成的，作为预测掩膜的最小边界矩形，并添加了边距。
  当在同一切片内检测到同一类别的多个分离区域时，为每个对象创建单独的 ROI（例如，class_i_object_j）。
• 对于动脉瘤阳性切片，根据上述定义提取 ROI，包含动脉瘤坐标的 ROI 被标记为阳性 ROI，命中率约为 94%。
• 阴性 ROI 采样自阴性序列以及阳性序列中距离动脉瘤坐标超过 40 mm（xyz 空间）的区域。

阶段 2

• 对于 ROI 分类，通过对 ROI 切片及其相邻切片应用相同的边界框创建了 2.5D 输入。
  图像在保持纵横比的同时进行调整，缩放使较长边匹配目标尺寸。
  最终输入尺寸为 (C, H, W) = (3, 224, 224)，必要时应用填充。
• 评估了多个骨干网络，包括 EfficientNet-B0 和 EfficientNet-V2-S。
  模型达到了约 0.94 的 ROI 级 AUC。

阶段 3

• 对于每个 ROI，将 ROI 分类模型预测的动脉瘤概率 (prob) 乘以从分割模型获得的血管类别概率 (class_scores)，以计算 13 个类别分数。
  二分类动脉瘤分数直接取自 ROI 概率 (prob)，未经任何修改。
• 使用 ROI 级分数的 top-k 均值执行序列级聚合。
• 本地验证 AUC 达到约 0.81。

提交过程

• DICOM 切片在 LPS 坐标系中对齐，仅沿 z 轴最后 150 mm（对应头部区域）用于推理。
  为了限制每个序列的切片数量，我们设置 max_slice = 200。
  获得的最佳公共 leaderboard 分数为 0.81。

有效的部分

• 我们成功实施了 ROI 提取和 ROI 级分类。
• 类别分数的推导也按预期工作。

无效的部分

• 序列级聚合后整体分数下降。
  探索了几种后处理方法来过滤假阳性 ROI，但都没有效果。
  我们应该考虑结合空间上下文的分类方法，例如 2.5D LSTM 或 3D CNN。
• MRI T2 图像上的性能 consistently 低，即使使用专用模型也没有观察到改进。

感谢阅读！