第3名方案

我要感谢 Kaggle、RSNA 和 MICCAI 举办了这次比赛。我还要感谢 @billqi 的 Kernel，我将其作为我工作的基础。

方法

• 我根据患者 ID 和类别对训练数据集进行了分层划分，以采样出验证数据集。
• 我训练了四个 EfficientNet-B3 模型。每种 MRI 扫描类型（FLAIR、T1w、T1wCE、T2w）各对应一个模型。
• 我按患者 ID 汇总结果，通过比较最大预测值与预测平均值的差异，以及预测平均值与最小预测值的差异，保留差异最大的那个预测值。

代码笔记本

Kaggle Notebook 地址：https://www.kaggle.com/cedricsoares/tf-efficientnet-transfer-learning-strat-split

Github 地址（包含部分法语注释）：https://github.com/cedricsoares/kaggle-rsna-miccai-brain-tumor-radiogenomic-classification