第9名方案（含GitHub代码）

恭喜所有的获奖者！
这次比赛在很多方面对我来说都很艰难。

方案概览

预处理

• 在训练数据中，没有CT图像在第400张图像之后出现肺栓塞（PE）。因此，我们只使用了前400张图像。
  

• 对于第一阶段训练，我们按如下图像所示对图像级标签进行了预处理。

  • 处理前
    
  • 处理后
    

第一阶段训练 (Stage 1 training)

• 我们使用了 512 x 512 图像 + EfficientNet-b5 以及 384 x 384 图像 + EfficientNet-b3，并使用了预处理后的标签。

第二阶段训练 (Stage 2 training)

• 由于我们使用了 512 x 512 图像 + EfficientNet-b5，推理时间非常紧张。因此，我们将400个序列下采样到200个序列，并使用了反卷积模块。
  • 使用400个序列时，我们获得了相同的CV分数。
• 由于资源限制，我们在第一阶段无法使用多种模型。因此，我们在第二阶段训练了多种模型。
  • 输入：仅 b5特征, 仅 b3特征, b5特征 + b3特征
  • 模型：Conv1D, LSTM, GRU, Conv1D + LSTM
  • 输出：3 x 4 = 12 个预测结果

堆叠

• 我们训练了 LGBM, Conv1D 和 GRU。
  • 在使用 LGBM 训练 pe_present_on_image 时，我们只使用了 PE 检查数据，因为来自阴性 PE 的图像不影响比赛指标。

后处理

• 我们实施了一种启发式后处理方法。
  • 该后处理使 CV 和 Public 分数提高了 0.002（Private 分数从 0.160 提高到 0.162）。
  • 主要思路
    • 当 1 - negative_exam_for_pe <= pe_present_on_image 时，用 1 - negative_exam_for_pe 替换 pe_present_on_image。
    • 重复执行 sigmoid -> logit -> logit += s -> sigmoid，直到满足标签一致性。

label_cols = [
      "pe_present_on_image",
      "