第5名方案（含代码）

恭喜所有获奖者，

恭喜我的队友 @tarobxl 晋升为 Grandmaster，以及 @anjum48 晋升为 Master。

我代表团队撰写这篇方案分享。

图像预处理

我们有三种类型的预处理数据：

1. 多窗口成像。
   我们使用三个窗口来构建RGB图像。每个通道对应一个窗口。

   'brain': [40, 80],
   'bone': [600, 2800],
   'subdual': [75, 215]

2. 多窗口成像后裁剪。
   与(1)相同，我们裁剪图像并仅保留有信息的部分。
3. 空间相邻成像。
   我们仅使用一个窗口 [40, 80] 进行预处理。为了构建RGB图像，我们利用元数据来获取空间上相邻的切片。假设要构建切片 St 的RGB图像，我们取：
   R = St-1, G = St, B = St+1。
   
   最后，我们像(2)一样裁剪并仅保留有信息的部分。
   更多详情请参考此 Kernel：
   https://www.kaggle.com/anjum48/preprocessing-adjacent-images-and-cropping

数据预处理

首先，我们移除了训练集和测试集之间重叠的患者。这部分可能是导致排名波动的原因，因为我们估计波动分数在 0.001 - 0.002 之间。

在每个折叠中，我们进行随机采样，使得阳性患者的数量与阴性患者的数量平衡。这一步有助于保持 CV（交叉验证）和 LB（排行榜）之间的相关性，并保持稳定。

建模

我们训练了按患者划分的 5 折模型。各模型及其在第二阶段的表现如下：