第6名解决方案

祝贺所有的获胜者。感谢 Kaggle 和 RSNA 主办这次比赛。
我对我的结果感到很高兴，因为我是一名医生，因此 RSNA 比赛对我来说是最重要的比赛。在 2018 年的 RSNA 比赛中，我尽了最大努力，但未能获得金牌。我无法参加 2019 年的 RSNA 比赛，因为我必须准备医生的国家考试。在 2020 年的 RSNA 比赛中，我终于获得了单人金牌。我很伤心我不能亲自参加 RSNA 会议，因为它变成了在线会议。

在这里，我将描述我的解决方案。概览如下所示。实际上，没有什么特别之处；使用 2D-CNN 进行图像级特征提取，使用 1D-CNN 进行检查级分类。

阶段 1：用于特征提取的 2D-CNN

首先，我在具有下图所示条件的 2D 图像上训练了带有可训练 3 窗口（WSO，参考 Yuval 的解决方案）的 2D-CNN（EfficientNet B0 或 B2）。为了节省内存和时间，我使用混合精度训练模型。

• 损失函数：带有反映比赛指标权重的 BCE
• 窗口：使用 Ian 的窗口进行初始化
• 图像大小：512（原始图像）
• BatchSize：B0 为 80 / B2 为 50
• 训练步数：8192（= 0.5 epoch）
• 优化器：Adam
• 学习率 (LR)：1e-3，通过余弦退火衰减至 1e-4
• 数据增强：ShiftScaleRotate, BrightnessContrast, Crop (448 x 448), CutOut

在 P100 上训练需要 3 小时 x 5 折。我提取了 2D-CNN 的特征（全局平均池化层的输出），并将其用作阶段 2 的输入。特征提取需要 2.5 小时 x 5 折。

阶段 2：用于检查级分类的 1D-CNN

接下来，我训练了用于检查级分类的 1D-CNN。作为输入，我使用了由第一阶段 2D-CNN 提取的特征序列。采用了特征池化、跳跃连接和 SE 模块。对于图像级预测，我使用了类似 U-Net 的上采样架构。训练条件如下所示。

• 检查级损失：带有反映比赛指标权重的 BCE
• 图像级损失：BCE 和带有 q_i 权重的 BCE
• BatchSize：64
• Epoch：16
• 优化器：Adam
• 学习率 (LR)：1e-4，通过余弦退火衰减至 1e-5
• 数据增强：Crop (128 slices), Flip

训练需要 6 分钟 x 5 折。

后处理

我对 B0 和 B2 的预测结果取平均。我进行了后处理，以最小的修改解决标签一致性的冲突。5 折交叉验证分数如下所示。

negative_exam_for_pe           bce: 0.345601, auc: 0.895471
indeterminate                  bce: 0.084615, auc: 0.812207
chronic_pe                     bce: 0.158846, auc: 0.682470
acute_and_chronic_pe           bce: 0.081380, auc: 0.842780
central_pe                     bce: 0.111196, auc: 0.949153
leftsided_pe                   bce: 0.287363, auc: 0.900652
rightsided_pe                  bce: 0.298690, auc: 0.911001
rv_lv_ratio_gte_1              bce: 0.228942, auc: 0.902246
rv_lv_ratio