第12名解决方案

首先，我想祝贺我的队友 @authman。这个疯子终于做到了。在经历了无数次银牌之后，他终于成为了竞赛大师。

我本想在这个比赛中投入更多时间，但不幸的是我被困在了 Optiver 实际波动率预测比赛中，而 @authman 正在忙于 G2Net 引力波探测。我们在比赛还剩 2.5 周时才开始，所以我们无法尝试所有的想法，但至少其中一些奏效了，我们最终获得了第 12 名。

开始比赛后，我快速浏览了讨论区和 Notebooks，但分享的内容质量真的很差。我只从 @davidbroberts 的 Notebooks 中学习了 dicom 预处理。

任务 1 数据准备

我们认为 144^3 的空间维度对于分割和分类来说已经足够好了，所以我们决定使用该形状的 MRI 和掩码。我们移除了沿 X-Y、X-Z 和 Y-Z 轴的空白切片，然后从最长的轴调整大小。我们使用以下代码将真实分割掩码转换为非互斥的 one-hot 编码掩码。

def convert_labels(mask):

    """
    将 3D 空间分割掩码转换为 4D one-hot 编码分割掩码

    参数
    ----------
    mask [np.ndarray 形状为 (depth, height, width)]: 3D 分割掩码数组

    返回
    -------
    mask [np.ndarray 形状为 (channel, depth, height, width)]: 4D one-hot 编码分割掩码数组
    """

    one_hot_encoded_mask = np.stack([
        np.logical_or(mask == 1, mask == 2, mask == 3),  # 整个肿瘤
        np.logical_or(mask == 2, mask == 3),  # 肿瘤核心
        (mask == 3),  # 增强肿瘤
    ]).astype(np.uint8)

    return one_hot_encoded_mask

最后，我们将 MRI 和掩码保存为 npy 文件以加快训练速度。nii 文件的预处理代码可以在 这里 找到。

任务 1 验证

使用 80/20 比例的单次随机训练/测试拆分进行验证。病例目录被拆分，因此当包含所有模态时，它的工作方式类似于无泄漏的分组拆分。

任务 1 预处理

我们在 X、Y 和 Z 轴上使用了 -90 到 90 弧度的随机旋转，概率为 25%，因为任务 1 的 MRI 进行了重采样和配准。我们必须打破完美的对齐，因为任务 2 没有进行重采样和配准。我们还像这样对每个 MRI 进行了标准化 mri = (mri - mri.mean()) / mri.std()，这可能不是一种正确的方法。

任务 1 模型

这是我第一次进行分割，所以我使用了一个高级库，我们没有时间从头开始编写模型。我们使用了 monai 的 SegResNet 模型进行分割。我们训练了 5 个单拆分模型，分别针对 FLAIR、T1w、T1wCE、T2w 以及包含所有模态的情况。所有模型都使用 Dice Loss 训练，并在 0.2-0.3 的验证损失处收敛。我们使用动态阈值将 sigmoid 输出转换为标签。截止点是使用 (正样本的平均预测值 + 负样本的平均预测值) / 2 动态找到的。

任务 2 数据准备

我们在任务 2 MRI 中也使用了 144^3 的空间维度。我们移除了沿 X-Y、X-Z 和 Y-Z 轴的空白切片，然后从最长的轴调整大小。我们没有使用任何 VOI LUT 或将 MRI 下采样为 8 位，因为这是有损且多余的。我们将 MRI 作为 16 位 numpy 数组保存到 npy 文件中，具有默认值，以加快训练速度。dicom 文件的预处理代码可以在 这里 找到。

任务 2 分割和特征提取

我们通过可视化任务 2 MRI 上的预测来验证我们的分割模型。它们“足够好”，但提取特征或使用预测掩码作为额外通道并没有帮助我们的模型获得更好的分数。对我们来说，放弃分割的想法真的很遗憾，因为我们将