第 8 名解决方案
感谢 RSNA 和 Kaggle 团队举办如此有趣的挑战。感谢 @stgkrtua 与我组队。这是我第一次参加医学竞赛，但我非常享受这个过程。
概述
我们解决方案的核心架构如下图所示。它由 2D 分类器和 1D 分类器组成。
2D 分类器：
- 输入 2 维图像。
- 预测 25x3 严重程度标签（= 5 种条件 x 5 个级别 x 3 个类别）。
1D 分类器：
- 堆叠 2D 分类器的输出。
- 最终预测是通过考虑每个实例 ID 的第一阶段预测得出的。
我们模型的一个独特之处在于第一阶段的特征提取。
我们没有裁剪出图像的重要部分，而是训练模型提取对应这些区域的特征。因此，我们将检测器作为一个子任务进行训练，并使用热图作为特征提取的权重，类似于注意力机制。
该模型提供了几个优势：
- 它能够考虑图像的整体上下文。
- 它提供的输出更稳健，对检测中的歧义不太敏感。
其他发现
自监督学习 (SSL)
自监督学习略微提高了公共/私有分数。模型被训练为使用 xyz 坐标学习多视图相似性。不幸的是，交叉验证 (CV) 分数没有变化。我猜测测试数据集的标签比训练数据集更干净。
图中红色区域显示了两张图像之间的高相似性区域。
重新标注
众所周知，标签存在许多不一致之处。
我创建了一个超酷的标注工具并尝试自己纠正标签，但由于缺乏领域知识，没能做好。如果有人进行了纠正，希望能分享结果。
创建标注工具是竞赛中最 enjoyable 的部分之一，尽管它最终并没有很有用。
代码
推理代码 available at:
https://www.kaggle.com/kmat2019/rsna8th-inference
由于一个小 bug，分数比最终提交略好。