第18名方案：基于DenseNet + RNN

首先，感谢主办方、Kaggle团队以及所有参赛的Kaggler们！

这是我第一次获得如此高的名次！我真的很高兴这三个月来的所有努力都得到了回报。像往常一样，我在这次挑战中学到了很多东西！

我的解决方案与基于拼接池化（由Iafoss提出）的主流方法有很大不同。

具体方案如下：

• 0) 通过图像哈希进行图像相似性聚类（将聚类簇分割为训练/验证集，而不是直接分割图像）。
• 1) 将整个（中等分辨率）图像旋转到任意角度，并防止裁剪问题。
• 2) 提取组织切片（256x256）。
• 3) 全局对比度归一化（针对单张图像提取的所有切片进行）。
• 4) DenseNet121 主干网络（ImageNet预训练） -> 密集特征提取器 -> 2层GRU -> 单头ISUP等级回归（logcosh损失）。
• 5) 多轮剔除“困难或标签错误”的图像，标准为MAE > 2.5。
• 6) 训练期间使用5折交叉验证（5-Fold CV），在分割训练集和验证集时保持Gleason评分频率的平衡。
• 7) 3阶段训练：
  • 冻结主干网络，长切片序列（64个切片）
  • 全部解冻，较短切片序列（16个切片）
  • 再次冻结主干网络，长切片序列（64个切片）
• 8) 小训练批次大小为2（用于正则化效果）。