28th place solution

第28名解决方案

作者：tekap404 | 比赛排名：第28名

首先，感谢所有组织者举办这次比赛。同时祝贺所有获奖者和奖牌获得者！

以下是我的简要解决方案总结：

框架

3D UNet (MONAI)。感谢 Wang 的讨论分享：Kaggle Discussion Link

所有模型均在完整数据集上训练。每个模型首先使用较大的学习率训练超过 1000 个 epoch，然后微调超过 100 个 epoch。损失函数：BCE + Dice。

基础数据增强设置与 Wang 的设置相同。DynUNet (MONAI) 中的默认 dropout 即使参数设置为 >0 也不会生效，因此我使用强数据增强来替代它（强增强 = 基础增强 + 以下增强）。

模型	编码器 / 通道数	输入尺寸	数据增强	监督数量	Public 分数	Private 分数
DynUNet	48,96,192,384,480,480	160 * 160 * 80	强增强	4	0.878	0.865
Unet_large	64,128,256,512,1024	224 * 224 * 80	基础增强 (dropout=0.2)	0	0.879	0.868
MSNet	res2net50_v1b_26w_4s	192 * 192 * 80	强增强	0	0.877	0.870
DynUNet	32,64,128,256,320,320	192 * 192 * 80	强增强	4	0.880	0.871
集成模型	/	/	/	/	0.882	0.876

集成权重：0.1, 0.2, 0.35, 0.35

MSNet：多尺度减法网络：GitHub 仓库

scipy.ndimage.binary_fill_holes（二值孔洞填充）

更大的模型，例如 res50unet, utnetv2 (CNN 结合 transformer 技术), nnFormer 等。这些模型如果有预训练权重可能会表现更好。
RF-Net：一种学习每层残差的模型：GitHub 仓库。
3D CapsulesNet：GitHub 仓库。
各向异性编码器：GitHub 仓库。
BPR：修改为 3D 的边界细化方法：GitHub 仓库。
移除小的连通分量作为后处理。即使我单独对每个通道使用，结果总是比不使用时更差