第7名方案概述

我长话短说，因为我的解决方案几乎没有什么新颖之处。

整体策略

1. 训练一个图像级的CNN，并将其GAP特征保存到硬盘。
2. 通过元数据中的z轴位置对原始CT序列进行排序恢复，将保存的GAP特征作为输入，训练一个扫描（研究）级的RNN模型。

该策略灵感来源于 https://rd.springer.com/content/pdf/10.1007%2Fs00330-019-06163-2.pdf

CNN的预处理

我使用了Appian的窗位处理方法。虽然花了一些精力去调整，但结果都差不多。

CNN的数据增强

使用了重度数据增强，包括裁剪并缩放回原尺寸、仿射变换（360度旋转）、对比度和亮度调整、伽马校正、模糊和锐化、镜像、光学畸变、网格畸变、弹性变换等……

CNN模型

总共使用了7个模型，均在不同的80-20训练验证集划分上进行训练。输入分辨率根据模型大小在384x384和512x512之间变化。

• efficientnet_b5
• efficientnet_b6
• inception_resnet_v2
• inception_v4
• senet154
• seresnext50
• seresnext101

RNN模型

使用了两个双向GRU层。序列长度固定为72。使用了填充和损失掩码。