第34名解决方案 - 使用CT扫描（附代码）

我没想到能赢得这场比赛，所以我没有立刻准备好我的解决方案或代码。我已经把我的代码在这里公开了：https://github.com/GreatGameDota/OSIC-Pulmonary-Fibrosis-Prediction

像往常一样，我要感谢Kaggle举办了另一场精彩的比赛，也要感谢主办方组织了这次比赛！

对我来说这是一场有趣的比赛，因为我看到其他人都只在使用表格数据。我完全没有表格数据比赛的经验，而且我喜欢计算机视觉（CV），所以我有点固执，强迫自己使用CT扫描。虽然我糟糕的LB（公开排行榜）分数曾让我感到气馁，但我坚持了下来，结果证明这是一个正确的决定！

好了，以下是解决方案详情：

模型

• Resnet50

数据集

图像分辨率：512x512

对于每次扫描，我加载了所有的dicom文件，然后将它们转换为HU（Hounsfield Units）。接着我裁剪了所有图像并将它们重塑为50x512x512的大小。做完这些后，我将每张图像窗口化为三个部分。关于窗口化的详细解释，请查看这篇帖子（我使用了那里分享的相同函数和窗口值，非常感谢Ian Pan！）。得到三张窗口化图像后，我简单地将它们保存为png格式。

每张图像看起来类似于这样：

我在这里公开了我使用的数据集：https://www.kaggle.com/greatgamedota/osic-windowed-lung-images

关于元数据，我使用了来自 @ulrich07 的基准内核中相同的元数据，但我只使用了基础的Percent值，因为它提高了我的CV（交叉验证）与LB再到PB（私有排行榜）的相关性。

数据增强

• 粗粒度Dropout（Coarse dropout）
• SSR
• 水平 + 垂直翻转
• 针对其中一个模型：随机饱和度和亮度调整

没有使用表格/元数据增强。

训练

• Adam优化器，配合Reduce on Plateau调度器
• 训练学习率为0.003，共30个epochs
• Batch size为16（其中一个模型为4）
• 使用分位数回归进行训练，损失函数为 0.8 qloss + 0.2 metric loss（与Ulrich的内核相同）
• 每个模型训练5折
• 没有使用任何batch accumulation或混合精度
• 根据最佳验证分数（所有周）保存检查点

在训练时，我移除了6个完整的患者，因为他们的CT扫描是损坏的。然后我通过随机打乱患者并使用GroupKFold将每个患者分配到一个折中。

在训练过程中，我随机选择一个唯一的患者，并从10-40张图像中随机选择一张（因为前10张和后10张图像不包含任何肺部信息）。然后我设置每次迭代持续 4 * 患者数量。对于验证，我只选择第15张图像，因为它是通常包含最多信息的中间图像。

集成/融合

对其FVC预测值和置信度进行简单的平均。

最终提交

我的最终提交是3