第4名解决方案（含代码）

代码地址：https://github.com/XUXUSSS/kaggle_rsna2019_4th_solution
我们的代码基于 Appian 的仓库：https://github.com/appian42/kaggle-rsna-intracranial-hemorrhage

方法概述

我们的解决方案包含两个阶段。第一阶段训练 2D CNN 模型进行特征提取，第二阶段训练 1D + 3D CNN 模型进行分类。

预处理

1. 两种窗口策略：
   • a) 使用 Appian 的窗宽窗位策略：
     • 三个窗口分别为：[40, 80], [80, 200], [40, 380] [链接]
   • b) 将三个连续切片堆叠为一张3通道图像。 [链接]
     • 窗口：[40, 80]
2. 移除损坏的图像。
3. 过滤空白图像：
   • a) 在应用自定义窗宽窗位方案（中心=40，窗宽=80）后，获取每张图像最大和最小强度值之差（即强度范围）。
   • b) 从训练集和测试集中移除强度范围小于 60 的图像。
   • c) 被移除的测试图像将在后处理中被分类为阴性。
4. 从 DICOM 文件中提取有用的元数据：
   • a) 病人 ID (Patient ID)
   • b) 检查实例 ID (StudyInstance ID)
   • c) 序列实例 ID (SeriesInstance ID)
   • d) 位置2 (Position2)
5. 按病人分层划分五折：
   • a) 来自同一病人的图像始终属于同一折。
   • b) 不同折之间的类别分布大致相同。

第一阶段：2D 图像特征提取

1. 训练策略：

• a) 将训练集随机分为5折，训练模型五次。每次使用4折作为训练集，1折作为验证集。

2. 模型

a) EfficientNet B0

• i. ImageNet 预训练
• ii. 输入图像大小：512x512
• iii. 数据增强：随机裁剪、随机水平翻转、随机旋转、随机对比度
• iv. 5折训练
• v. TTA5：随机裁剪、随机水平翻转