第二名解决方案 [Save the Prostate]

首先，非常感谢组织者。其次，我要感谢我的团队。我们拥有一个非常积极、鼓舞人心的工作环境。下面您将读到的大部分想法都来自团队的贡献，并由成员们共同分享。

简单的 Resnet34 (DrHB)

图像预处理

我使用了中等分辨率，唯一做的预处理是去除白色背景，并将中等分辨率的图像存储在 SSD 驱动器上：

# 函数取自 R Guo
def crop_white(image, value: int = 255):
    assert image.shape[2] == 3
    assert image.dtype == np.uint8
    ys, = (image.min((1, 2)) < value).nonzero()
    xs, = (image.min(0).min(1) < value).nonzero()
    if len(xs) == 0 or len(ys) == 0:
        return image
    return image[ys.min():ys.max() + 1, xs.min():xs.max() + 1]

数据清洗

就像在 APTOS 竞赛中一样，清除图像中的笔迹标记等是至关重要的。我使用了这篇帖子中的出色工作：https://www.kaggle.com/c/prostate-cancer-grade-assessment/discussion/151323。这也缩小了 CV（交叉验证）和 LB（排行榜）之间的差距。

图像增强

增强发生在两个层级（切片和图块）：

1) 完整切片

打开活检切片后，我们进行随机填充并应用以下变换之一（类似于 R Guo）。

def get_transforms_train():
    transforms=A.Compose(
        [
            A.ShiftScaleRotate(shift_limit=0.1, scale_limit=0.05, rotate_limit=10, border_mode=cv2.BORDER_CONSTANT, p=0.5,value=(255,255,255)),
            A.OneOf([
                A.Flip(p=0.5),
                A.RandomRotate90(p=0.5),
            ], p=0.3
            )
        ]
    )
    return transforms

2) 图块

对于每个图块，我使用了标准的 fastai GPU 增强：rotate=(-10, 10)，flip vertically (p=0.5)。对于填充，我使用了 reflection，这在 CV 上带来了轻微的提升。

模型

我决定使用一个非常简单的模型 resnet34，但在整个比赛过程中最终做了一些修改。

1) 制作方形特征：

主要思想建立在 @iafoss 的基础上。在 resnet 编码器之后，我们通过以下方式重塑特征使其看起来像一个正方形：x = x.view(x.shape[0], x.shape[1], x.shape[2]//int(np.sqrt(N)), -1)。这里 N 代表图块数量。之后我们将所有特征传递给 SqueezeExcite 块。

2) SqueezeExcite 块

重塑特征后，我们添加了 1 个 SE 块，使网络能够基于图块学习单个切片的特征。

实验由 @cateek 完成

# 代码采用自
# https://github.com/rwightman/pytorch-image-models/tree/master/timm/models
def make_divisible(v, divisor=8, min_value=None):
   min_value = min_value or divisor
   new_v = max(min_value, int(v + divisor / 2) // divisor * divisor)
   # 确保向下舍入不超过 10%。
   if new_v < 0.9 * v:
      new_v += divisor
   return new_v
def sigmoid(x, inplace: bool = False):
   return x.sigmoid_() if inplace else x.sigmoid()
class SqueezeExcite(nn.Module):
   def __init__(self, in_chs, se_ratio=0.25, reduced_base_chs=None,
             act_layer=nn.ReLU, gate_fn=sigmoid, divisor=1, **_):
      super(SqueezeExcite, self).__init__()
      self.gate_fn = gate_fn
      reduced_chs = make_divisible((reduced_base_chs or in_chs) * se_ratio, divisor)
      self.avg_pool = nn.AdaptiveAvgPool2d(1)
      self.conv_reduce = nn.Conv2d(in_chs, reduced_chs, 1, bias=True)
      self.act1 = act_layer(inplace=True)
      self.conv_expand = nn.Conv2d(reduced_chs, in_chs, 1, bias=True)
   def forward(self, x):
      x_se = self.avg_pool(x)
      x_se = self.conv_reduce(x_se)
      x_se = self.act1(x_se)
      x_se = self.conv_expand(x_se)
      x = x * self.gate_fn(x_se)
      return x

3) 池化层

一旦特征通过 SqueezeExcite �