第二名方案总结

感谢 SIIM、FISABIO、RSNA 和 Kaggle 主办了这场有趣的比赛。我非常感谢我的队友 @steamedsheep、@haqishen、@dvtoan7997 和 @underwearfitting，大家都做得非常好，最终我们获得了第二名。

以下是我们本次比赛的方案。

研究级别

我们主要开发了 2 个流程，然后进行了集成。

流程 1

模型： NFnet, Cait: eca_nfnet_l1, eca_nfnet_l2, dm_nfnet_f2, dm_nfnet_f3, cait_xs24_384。

• NIH 数据集预训练： 与其他团队类似，预训练提高了我们的 CV（交叉验证）和 LB（排行榜）分数。
• 5 分类任务： 我们添加了 "none" 作为第 5 个类别。
• 由于辅助头没有提高我们的 CV 分数，我们在此流程中未使用辅助头。
• 为了增加多样性，我们使用了不同的预处理方法（直方图均衡化、Ben's 预处理、添加肺部分割通道）和不同的模型架构。
• 未使用外部数据。
• 所有模型均在 384x384 分辨率下训练。

流程 2

模型： EfficientnetV2m

• 使用了分割辅助头。
• 为了增加多样性，我们使用了 5 种不同的增强方式，4 个模型使用外部数据和 BCE Loss 训练，5 个模型使用 CE Loss 训练。
• 模型在 512x512 分辨率下训练。

图像级别

None（无异常）检测

我们集成了来自 3 个来源的 None 概率：

• 用于检测 None 的 2 分类模型。
• 流程 1 中的 None 概率。
• 流程 2 中的负样本概率。

Opacity（不透明度/病变）检测

• Yolov5： 我们使用了 5 种不同的主干网络 (resnet52, resnet101, yolov5m, yolov5x, eca_nfnet_l0)。所有模型均在 384x384 下训练。
• YoloX： 我们使用了 2 种主干网络 (yolox-m 和 yolox-d)。模型在 384x384 下训练。
• EffDet D5： 在 512x512 下训练。

结果

研究级别

None 检测

Opacity 检测