第11名解决方案 (GitHub代码已更新)
恭喜大家。感谢 Kaggle 和主办方团队组织这场有趣的比赛。
更新后的源代码已发布在 https://github.com/appian42/kaggle-rsna-intracranial-hemorrhage。我稍后可能会上传所有训练好的模型。
窗宽窗位
对于这次挑战，窗宽窗位处理对于聚焦目标物质（即大脑和血液）非常重要。有一些很好的 Kernel 解释了窗宽窗位的工作原理。
我们使用了三种类型的窗口进行聚焦，并将它们分别分配到不同的通道，以便在训练时动态构建图像。
| 通道 | 物质 | 窗位 | 窗宽 |
|---|---|---|---|
| 0 | 脑组织 | 40 | 80 |
| 1 | 血液/硬膜下 | 80 | 200 |
| 2 | 软组织 | 40 | 380 |
这是应用窗宽窗位前后的一个示例。这张图像被标记为任何脑实质内出血，你可以看到窗宽窗位有助于聚焦目标物质。详情请查看 windowing.ipynb。
分类
这一步主要关注 DICOM 文件中包含的像素数据，而非元数据。但仍有四种元数据被用于正确应用窗宽窗位。RescaleSlope 和 RescaleIntercept 用于窗宽窗位处理。BitsStored 和 PixelRepresentation 用于修正错误的截距值，这一点在 Cleaning the data for rapid prototyping 中由 Jeremy Howard 提及。
- 使用了两种架构：
se_resnext50_32x4d和se_resnext101_32x4d。 - 使用来自 https://github.com/Cadene/pretrained-models.pytorch 的 ImageNet 预训练权重。
- 每种架构各训练了 8 折。
- 作为数据增强，向经过窗宽窗位处理的像素数据添加随机数，带来了更好的泛化性能。这个想法基于一种直觉，即 CT 扫描仪可能并未经过完美校准。
- 预测时使用了测试时增强 (TTA, n=5)。
- 使用第 2 和第 3 个 epoch 的检查点进行预测，然后取平均值。
- 最终预测结果来自
se_resnext50_32x4d和se_resnext101_32x4d的简单平均。