第15名方案

恭喜所有获奖和获得奖牌的选手！
我要感谢我的队友 @inoueu1 提供了强大的掩码预测模型！

我们的简要方案总结：

• 核心思路

  • 正如在一些讨论中所知，真实标签在每个体素的底部区域被截断了，而且截断标准尚不明确。因此，我们尝试使用标签截断预测模型来预测截断区域（深度），并在后处理中移除底部的预测掩码。
  • 在模型训练中，我们移除了真实标签看起来被截断的切片（不给模型提供负信号）。通过这样做，掩码预测模型不必“隐式”地预测标签截断，并且可以尽可能多地预测掩码。

• 预处理

  • 裁剪低强度区域以加速预测

• 2.5D 模型

  • UNet 或 UNetPlusPlus + EfficientNet 主干网络

• 3D 模型

  • 3D UNet (MONAI)

• 标签截断预测模型

  • 3D UNet (MONAI) + 空间池化 -> (d,)

• 后处理

  • 利用标签截断预测移除体素底部区域的预测掩码
  • 移除顶部和底部的两个像素

• 关于测试数据集的一些探测结果

  • 切片数量为 144 和 80，与训练数据集相同
  • 像素间距为 1.5 和 1.63，与训练数据集相同
  • 图像尺寸为 ('266', '266'), ('276', '276'), ('360', '310')，尺寸 ('234', '234') 存在于训练集中但不在测试集中
  • 53%-55% 的数据来自训练数据集中的同一病例
  • 上述已知病例数据中最多有 64% 包含在公开测试集中（因此，公开 LB 往往反映了已知病例的结果）