第一名方案：序列模型获胜

我们流程的关键模块是一个序列模型。它效果很好，并且没有出现排名震荡（shakeup）。
代码地址：https://github.com/SeuTao/RSNA2019_1st_place_solution

概述

2D CNN 建模

数据预处理与增强
我们的团队有三个 2D 分类器流程。这三个流程共享不同的输入设置（3 通道）：

1. 具有 3 个窗口的单张切片。
2. 具有 1 个窗口的空间相邻 3 张切片。
3. 1 和 2 的组合：具有 3 个窗口的空间相邻 3 张切片。

我们使用的窗口为：

脑窗 [40, 80],
硬膜下窗 [80, 200],
骨窗 [600, 2800]

增强方法：

• 随机 ShiftScaleRotate（平移缩放旋转）
• 随机调整大小裁剪
• 随机水平翻转

训练策略：

• 从不同的 SeriesInstanceUID 中随机采样图像
• 每个 epoch 训练 4 倍的 SeriesInstanceUIDs 数量
• Adam 优化器配合循环学习率 (5e-4~1e-5)

序列模型开发

序列模型 1：MLP + LSTM
输入：

• 来自多个模型的切片嵌入 (num_models * feature dim)

序列模型 2：1d CNN + LSTM
输入：

• 来自多个 2D CNN 模型的 Logits (num_models * 6 类输出)
• 来自序列模型 1 的 Logits (6 类输出)
• 元信息 (位置)