第31名方案（本可获得金牌）

感谢 Kaggle 和威斯康星大学举办了如此精彩的比赛。尽管我仍然认为他们应该更严肃地处理这场讨论：相关讨论链接

祝贺所有获奖、获得奖牌或在此比赛中学到新知识的参赛者。

我们从公开的 Notebook 中学到了很多。

以下是我们方法的总结（感谢 @raabidhussain，你是一位非常棒的队友）：

1. 构建 UNET 2.5D 模型：使用 -2 到 +2 的切片（感谢 @awsaf49），并使用所有数据进行训练。在训练和推理过程中均使用了水平翻转。
2. 构建 UNET 3D 模型：使用 MONAI 框架（感谢 @yiheng）在 5 个不同的折上进行训练。训练期间（5000 个 epochs）使用了水平和垂直翻转，但在推理时未使用翻转。这是我们的失误（我们过于依赖 Public LB 分数，因此在 3D 解决方案中没有使用任何翻转，否则我们就能拿到金牌，Private Score 也能从 0.876 提升到 0.879）。
3. 模型集成：将两个模型的输出进行集成（各占一半权重）。
4. 一些临时的后处理：最重要的一点是：确定腹部底部未检测到器官的切片编号。检查切片 -1、-2 和 -3 中标注体素的总数。如果某一切片中的标注体素数量低于阈值（650），我们就移除该切片中的所有标注（以改善 Hausdorff 距离）。

对我们无效的方法

UNETR 对我们不起作用。除了 Kaggle 提供的 GPU 外，我们没有额外的 GPU 资源，因此无法对该网络进行深入研究。我们训练该模型 600 个 epochs，但 Dice 分数仍约为 0.61，Hausdorff 距离约为 0.91。所以我们只好放弃了。

如果您有关于此话题的经验，欢迎分享。