第一名方案：Team Oxygen

首先，感谢 RSNA 主办了又一场有趣的比赛，也感谢我的队友 @haqishen 和 @harshitsheoran —— Team Oxygen 成立！? :)) 能够在公共排行榜上占据榜首近一个月真是太棒了。我正在分享我们方案的快速概览，我们很快会发布完整的解决方案。与 @theoviel 争夺第一名的过程真的非常有趣。

编辑：完整方案已发布。

数据划分： 4 折 GroupKFold（患者级别）

我们的方案分为三个部分：

• 第一部分： 用于生成掩码/裁剪的 3D 分割 [阶段 1]
• 第二部分： 基于 2D CNN + RNN 的方法，用于肾脏、肝脏、脾脏和肠道 [阶段 2]
• 第三部分： 基于 2D CNN + RNN 的方法，用于肠道 + 外渗 [阶段 2]

数据预处理：

这是我们方案的关键部分，稍后我们将更深入地描述。注意： 所有模型均在 384 x 384 的图像尺寸上训练。我们使用了来自 @TheoVeol 的数据集预处理以及我们自己的数据，我们对 DICOM 进行了缩放并应用了软组织窗宽窗位处理。

我们获取一个患者/研究，在其上运行 3D 分割模型，它输出每个切片的掩码，我们在这里根据器官（肝脏、脾脏、肾脏和肝脏）的边界进行研究级别的裁剪。

接下来，我们从患者制作体积，每个体积从研究中提取等距的 96 个切片，然后以 2.5D 方式将其重塑为 (32, 3, image_size, image_size) 用于训练基于 CNN 的模型。

3 个通道是通过使用相邻切片形成的。

我们所有的模型输入形状为 (2, 32, 3, height, width)，输出形状为 (2, 32, n_classes)，因为目标也保持为 (2, 32, n_classes) 的形状。

为了制作目标，我们需要两样东西：每个器官的患者级别目标，以及该器官与其最大可见度相比的可见程度。这些数据在基于正像素数量将分割模型掩码归一化到 0-1 之间后可用。

然后我们将目标 * 患者级别目标用于序列的每个中间切片，这就是我们的标签。