第4名解决方案

我们要感谢 Kaggle 和比赛主办方提供这次挑战机会。我们还要感谢所有分享智慧、知识、代码和提出批评的其他参赛者。我们非常感激你们。

感谢我的队友 @mrinath，感谢他的专业知识和辛勤工作，将整个项目整合在一起。

我们的方法很简单，主要包括目标检测和分类。我们使用 YOLOv5 进行目标检测（OD），使用 EfficientNet 的 2D 和 3D 骨干网络进行分类。

我们仅使用轴位平面的 T1wCE 序列进行目标检测和 2D 网络训练。基本策略如下：

1. 将所有图像提取到同一平面

• 将冠状位和矢状位重采样为轴位。感谢 @boojum 提供的巧妙重采样方法。 -> https://www.kaggle.com/boojum/connecting-voxel-spaces
• 剔除空白或大部分空白的图像（平均像素值 < 40）。
• 从序列中选出 7 个等间距的切片。
• 找到中心切片，以及中心下方（下侧）的两个切片和中心上方（上侧）的三个切片（因为在轴位平面中，大脑的大部分位于中心切片的上方）。

2. 寻找带有肿瘤的切片

• 我们在 RSNA-MICCAI 训练数据集中约 400 张手动标注的图像上训练了一个 YOLO 目标检测模型，并用它来寻找带有肿瘤的切片。
  OD 训练 Notebook -> https://www.kaggle.com/davidbroberts/brain-tumor-yolo-od-train
  OD 训练数据集 -> https://www.kaggle.com/davidbroberts/brain-tumor-object-detection-datasets

我们尝试在矢状位和冠状位平面上进行目标检测，但在轴位上获得了更好的 mAP。我们的轴位 mAP 约为 0.68。

3. 2D 分类

训练：

我们将所有图像导出到每个平面，总共生成 12 个数据集。接下来，我们使用 YOLO OD 模型寻找带有肿瘤的图像，并将其添加到训练数据集中。其想法是消除重复和非肿瘤图像。我们在每个“采样”数据集上尝试了大约 20 种不同的骨干网络。我们发现总体上最好的结果（虽然仍然不是很好）是在 T1wCE 轴位和 EffNet B3 上取得的……所以我们坚持使用这种组合，打算稍后将表现较差的模型进行集成。

• 训练集-验证集随机划分，验证集中包含 25% 的数据。
• 使用 AdamW 优化器，并使用 cosine_schedule_with_warmup 作为学习率调度器。
• 数据增强包括：CenterCrop、CLAHE、RandomRotate90、HorizontalFlip、VerticalFlip、RandomContrast 和 Cutmix。

预测：

• YOLO 检测到有肿瘤的图像被传递给 EffNet 分类器（每个研究 1-7 张图像）。
• 如果检测到同一病例的多个切片，则使用第一个和最后一个切片。
• 最佳验证 AUC 为 0.6829。
• 我们在最终预测中使用了 4 倍 TTA（测试时增强）和幂集成，这比简单的平均效果更好。
• 如果在 TTA 之后我们有 4 个预测集 y1, y2, y3, y4，那么 y_final = (y1² + y2² + y3² + y4²) / 4。

对于没有可用 T1wCE 图像或 OD 未检测到肿瘤的研究，我们将所有序列收集在一起并传递给 3D 网络。

4. 3D 分类

训练：

对于 3D 模型，我们知道像在其他比赛中那样使用预训练模型是有益的。但是我们从 MONAI 训练的大多数 3D 模型都没有预训练权重。因此我们决定使用 ImageNet 预训练模型进行 3D 分类。我们知道这些模型是用于 2D 图像的，那么我们如何对 3D 数据进行分类呢？在大多数 2D 挑战中，我们看到人们更改最后一