第10名解决方案

主要思路

使用 nnUNet 框架，利用所有数据在不同尺寸的图像块（patch size）下进行训练。

模型演变过程

在比赛初期，我们使用了 2.5D U-Net，但在公共排行榜（Public LB）上仅获得了 0.877 的分数，排名 70 多名。这个结果并不令人满意，因此我们转而使用 3D U-Net。

我们尝试了 3D MONAI 框架和 nnUNet 框架。由于 3D MONAI 框架的结果无法与之相比，我们最终选择了 nnUNet。

nnUNet 训练细节

• 数据清洗：移除了标签错误的数据：case7_day0, case81_day30。
• 初步尝试：使用 fold1 训练 500 个 epoch。图像块大小（Patch size）= 160,160,80。无 TTA 时 LB 分数为 0.878，有 TTA 时为 0.881。

训练 3D 模型耗时太长，因此我们决定使用所有数据进行训练，并始终选择最终保存的模型。

• 全量训练 1：使用所有数据训练，图像块大小 = 160,160,80。无 TTA 时 LB 为 0.881，有 TTA 时为 0.884。
• 全量训练 2：使用所有数据训练，加载 160,160,80 的预训练模型，图像块大小 = 192,192,96。无 TTA 时 LB 为 0.882，有 TTA 时为 0.886。私有排行榜（Private LB）分数：0.877。
• 全量训练 3：使用所有数据训练，加载 160,160,80 的预训练模型，图像块大小 = 224,224,112。有 TTA 时 LB 为 0.885。私有排行榜分数：0.880（我们未将其作为最终提交）。
• 模型集成 1：集成了训练的 3 个模型：LB 为 0.885，私有 LB 为 0.880（未作为最终提交）。
• 最终模型：集成了训练的 6 个模型（包括 5 折交叉验证中的一些模型）：公共 LB 为 0.886，私有 LB 为 0.879（作为我们的最终提交）。

训练时间

总结

nnUNet is all your need. (nnUNet 就是你所需要的一切。)