499. UW-Madison GI Tract Image Segmentation | uw-madison-gi-tract-image-segmentation
恭喜所有的获奖者和金牌得主，非常期待阅读你们的解决方案。
同时，感谢我的队友 @hoanganhpham 和 @tuanho27 的贡献。
我们最终的提交由7个在完整数据上训练的2.5D模型组成，它们具有不同的输入、训练计划以及编码器+解码器的组合 (代码链接)。
我们得分最高的内核 (代码链接) 仅仅是将2个2.5D模型替换为了2个3D模型，但我们当时没有胆量选择那个方案 😄。
我在这里列出了一些单模型的统计数据。
| 编码器 | 解码器 | 切片数 | 步长 | 尺寸 | 类型 | 轮次 | Public分数 | Private分数 |
|---|---|---|---|---|---|---|---|---|
| convnext_xlarge | deeplabv3+ | 17 | 2 | 608x608 | 2.5d | 30 | 0.88 | 0.868 |
| v2l | unet++ | 9 | 3 | 608x608 | 2.5d | 30 | 0.88 | 0.868 |
| convnext_xlarge | unet++ | 9 | 2 | 608x608 | 2.5d | 30 | 0.882 | 0.867 |
| convnext_base | unet | 5 | 1 | 512x512 | 2.5d | 30 | 0.879 | 0.866 |
| convnext_base | unet | 80 | 1 | 224x224 | 3d | 2000 | 0.878 | 0.866 |