第二名解决方案

感谢比赛主办方、Kaggle 以及所有参赛者。同时祝贺获胜者。

概述

我们的解决方案是一个两阶段的流水线。第一阶段模型 (stage1) 预测正负切片，第二阶段模型 (stage2) 对被 stage1 预测为阳性的切片进行实际的分割。
我们解决方案的关键点是：

• 2 阶段流水线：正负检测 (stage1) → 分割 (stage2)
• 对于 stage2，增加骨干网络的大小可以提高 val_dice
• 2.5D - 3D 模型融合

单模型

2.5D 模型

输入

• 5 切片 2.5D 数据 (s-2, s-1, s, s+1, s+2) / 512 x 512
• 通过 YOLOv5 进行裁剪
  • 此步骤有两个目的
    • 背景去除：虽然基于规则的方法可以去除部分背景，但由于身体运动伪影等因素，有些模式无法正确裁剪。在这种情况下，基于 YOLO 的方法效果很好。
    • 去除手臂信号：特别是在腹部 MRI 成像中，由于射频 (RF) 场 (B1) 的不均匀性，手臂周围的信号可能会异常高，从而产生热点。发生这种情况时，图像的最小-最大归一化效果不佳，因此在 YOLO 训练的标注阶段将手臂排除在外。
      
      

模型

• 骨干网络
  • stage1 = Efficientnet B4, Swin Base
  • stage2 = Efficientnet L2, ConvNeXt XL, Swin Large
    • 对于 stage2，增加骨干网络的大小可以提高 val_dice
• 解码器 = UperNet
• CE / CE 和 Dice Loss (1:1)
• 训练 20 个 epoch，SWA range(11, 21, 1)

下面是 stage2 中每个步骤的 dice 分数，表明 yolo_crop、large_input 和 large_backbone 都在起作用。

stage2 (使用 gt_positive 切片训练) / 基线 = EfficientNet B4, 256x256

3D 模型

模型

• stage1 = Unet3d, DynUnet (1000epochs)
• stage2 = Unet3d (500epochs)
• CE 和 Dice Loss (1:1)
• SWA range(300, 501, 10)

stage2 (使用 gt_positive 切片训练)