第8名解决方案 + 代码
首先，我要感谢整个团队的通力合作：@meanshift, @tgilewicz, @nordberdt, @dmytropoplavskiy，很高兴能与你们一起参加这次竞赛。以下是我们解决方案和实验的总结。
代码地址：https://github.com/ambrzeski/kaggle-rsna-2019
预处理
机架倾斜校正
为了减少头部CT扫描期间辐射对患者眼睛的影响，有时扫描会使用倾斜的机架进行。这类研究的切片在y轴上没有正确对齐，导致3D体积出现变形，在矢状面上清晰可见。为了校正这种变形，必须通过剪切变换在y轴上移动切片。剪切角度可以从“Image Orientation (Patient)”DICOM字段中确定。
机架倾斜校正前后的矢状面视图。
我们观察到机架倾斜在该数据集中相当普遍，在训练集中超过50%的研究出现这种情况，在stage1测试集中则高达90%。我们没有测量机架倾斜校正对模型性能的具体影响。据推测，当将切片作为通道输入2D模型时，影响可能不大，但在使用更广泛的3D上下文时，这可能会产生影响，特别是考虑到剪切角度在不同研究之间是变化的。
窗宽窗位
首先，HU值被裁剪到[-400, 1000]范围。然后，我们不使用固定大小的窗口，而是应用非线性变换，拉伸最有价值的HU范围并压缩不太重要的范围。变换函数的具体形状是我们手动设计的。我们尝试将该函数建模为数据集中像素值直方图的累积分布函数，但手动设置数值允许我们增强包含出血的特定范围，因此效果稍好一些。
从HU值到归一化值的映射
从左到右：裁剪到[-400, 1000]范围的图像，脑窗（L:40, W:80），非线性变换
我们也尝试过固定窗口和可学习窗口，但我们的非线性变换效果最好，同时也最方便使用。
模型
我们所有的模型都是各种2D CNN的变体，连续的切片作为图像通道输入网络，仅预测中间切片的类别。模型在5个折上进行训练，折之间没有患者重叠。作为优化器，我们使用了RAdam。对于数据增强，我们使用了标准的空间变换。任何涉及像素值变换的操作都会导致性能下降。
对于某些模型，切片（或切片组）分别通过网络骨干进行前向传播，然后将其特征图拼接并通过卷积层组合。由于这种处理5个切片的方法会使训练时间增加5倍，因此在前4个epoch中，模型仅在当前切片上进行训练，与其他切片相关的组合3D卷积权重设置为0。在随后的两个epoch中，模型在所有5个输入切片上进行训练。与单模型多输入相比，组合模型输出对结果的提升更大（约0.006-0.01）。
集成中所有模型的总结如下表所示。