第 22 名解决方案

流程

1. 2D-3D 语义分割
2. 使用 cc3d 估算粒子质心坐标
3. 使用基于 WBF 的后处理合并多个模型的粒子坐标
4. 使用 Minislab 进行 2D 假阳性抑制（脱铁铁蛋白，核糖体）

模型

我使用了 @hengck23 优秀的 2D-3D 语义分割模型 的稍定制版本。

• 输入：48×352×352 或 48×320×320
• 输出：6×d×h×w
• 损失函数：BCE + 2×TverskyLoss

最佳单模型得分为 0.737 / 0.730。

数据

我在 DS-10441 上进行了预训练，然后在 DS-10440 上进行了微调。虽然预训练并没有提高排行榜分数，但它有助于减少微调的训练时间。

分割标签的半径设置对准确率有显著影响。我对每个粒子使用了 0.5 倍或 0.6 倍的粒子半径。

后处理

• 使用基于 WBF 的 NMS 合并每个模型的粒子质心坐标（+0.003 到 +0.005）。
• 围绕每个预测的粒子坐标创建"minislab"，应用 2D 分类来确定粒子与噪声，并去除假阳性（+0.003 到 +0.005）。

Minislab 示例：

image = volume[z_start:z_end, y_start:y_end, x_start:x_end]
image = image.mean(axis=0)

计算资源

• RTX 3090 × 1.2（偶尔借用 Vast AI）。

推理代码

https://www.kaggle.com/code/akinosora/czii2024-22nd-place-inference-code/notebook