第22名方案

感谢大家的辛勤付出。同时祝贺所有金牌得主。

总结我们的方案，这是一个 3D UNet + 2.5D UNet/FPN/UPerNet 的集成模型。

预处理

训练过程中使用了归一化处理，即除以5通道最大值，同时也除以 case_day（病例_天数）最大值。

模型

2.5D 模型 (作者: hirune924)

• FPN 主干网络：efficientnet-b2
• 输入尺寸：512x512, 3通道
• 损失函数：bce+dice
• 数据增强：imgaug-tf

2.5D 模型 (作者: SiNpcw)

• FPN 主干网络：efficientnet-b6
• 输入尺寸：512x512, 5通道
• 损失函数：bce
• 数据增强：imgaug-tf

2.5D 模型 (作者: SiNpcw)

• UNet 主干网络：efficientnet-b5
• 输入尺寸：512x512, 5通道
• 损失函数：bce
• 数据增强：imgaug-tf

2.5D 模型 (作者: anonamename)

• UPerNet (semantic-segmentation) 主干网络：convnext_large_384_in22ft1k (来自 timm)
• 输入尺寸：320x384, 5通道（填充以保持长宽比）
• 损失函数：dice+tversky
• 数据增强：Hflip, ShiftScaleRotate, GridDistortion, RandomBrightnessContrast, RandomGamma, GaussNoise, CoarseDropout

3D 模型 (作者: hirune924)

• 3D UNet 主干网络：resnet34
• 输入尺寸：384x384xD
• 训练补丁：192x192x64
• 损失函数：bce+dice
• 数据增强：volumentations

后处理

没有进行特殊的处理，只是降低了阈值。我们发现胃部的阈值敏感度不高，但小肠很敏感。我们认为这是因为训练集和测试集（公开榜）的 GT mask（真实掩码）审查机制不同造成的。

补充信息

我们参加这次比赛的目标是提升 TensorFlow 和 TPU 的技能。当我们开始使用 TensorFlow 时，我发现没有能在 TPU 上运行的数据增强库。因此 @hirune924 创建了一个能在 TPU 上运行的 TensorFlow 数据增强库，即 imgaugtf。我们认为它很容易上手，因为可以像 albumentations 包一样使用。