第 38 名解决方案

一种两阶段热力图方法

感谢 Kaggle、RSNA 及所有合作伙伴组织举办此次竞赛。
这是我参加的第 11 场竞赛，也是第一次获得银牌。这一里程碑极大地激励了我继续学习和竞争。

解决方案概述

我的最终解决方案是一个两阶段流程（Pipeline）。第一阶段使用 3D U-Net 集成生成热力图，第二阶段使用启发式函数提取最终概率。

流程 (The Pipeline)

在花费了一些时间尝试直接的 3D 分类模型但成效有限后，我转向了分割风格的架构。我使用 5 折交叉验证设置训练了一个带有 ResNet3D 骨干网络的 3D U-Net。模型被训练用于预测 13 通道热力图，每个通道的真值（Ground Truth）是通过在提供的动脉瘤坐标处放置高斯核生成的。

对于第二阶段，我没有使用简单的最大值（max）操作，而是使用了一种启发式方法：首先对生成的热力图应用非极大值抑制（NMS）以找到每个通道中的峰值激活。然后，基于大多数病例含有 3 个或更少动脉瘤的观察，我保留了前 3 个候选概率，并使用 1.5 的指数抑制所有排名较低的概率。
最后，总体 存在动脉瘤 (Aneurysm Present) 的概率计算如下：

其中 p_i 是前 k 个抑制后的候选概率。

结果与最终想法

这种方法实现了约 0.75 的 5 折交叉验证（CV）分数。这转化为公共 leaderboard (LB) 0.73 和最终私有 LB 0.73。虽然最终分数没有我希望的那么高，但最有益的部分是我的本地 CV、公共 LB 和私有 LB 之间的一致性（0.73），这证明了验证策略是稳固的。

祝贺所有获奖者和参与者——这是一次很棒的学习经历！