第14名解决方案

恭喜所有获得奖金和奖牌的选手！感谢所有参赛者，因为我在这次比赛中学到了很多东西。

我的简要解决方案总结：

2~2.5D 模型

（首先在 BCE+DICE 上训练，然后改为仅使用 DICE）

• 主干网络：eca_nfnet_l2 (5折)
• 数据增强：
  • 水平翻转
  • 垂直翻转
  • 随机亮度对比度
  • 平移缩放旋转
  • GridDistortion 或 ElasticTransform 中的任一种
  • CoarseDropout

自定义技巧：2~2.5D 增强

我随机（30%的概率）将通道2或通道3中的图像或两者都置为0，以向模型提供较少的深度信息，从而使模型学会利用有限的信息进行学习。这使我的分数提高了约 0.01。

训练问题

起初，我在训练时遇到了麻烦，因为训练损失和验证损失变成了 NaN。这是由学习率引起的。合适的速率应低于 6e-4。

3D UNet (MONAI)

感谢这个讨论帖：monai solution

模型集成

只有当两个模型的预测都不为空时，才对所有像素进行集成，否则为空。

后处理

1. 如果两个模型的预测不相似，则移除体素底部区域的预测掩码。
2. 如果附近图像的预测不为空，则信任任一预测不为空的模型的预测。

对我无效的方法

• 运动模糊，随机缩放裁剪
• 后处理 2（我不知道为什么 T T 它在 OOF 上表现很好）