第 9 名解决方案

感谢组织者，恭喜获胜者及所有参赛者。今年很高兴能处理 MRI 数据，这让我有机会应用该领域的经验。

总结

第一阶段：基于高斯热图的关键点检测，使用 DeepLabV3Plus，三种序列类型分别使用独立模型。
第二阶段：基于级别的 ROI 分类，使用带有 GRU 头和 ResNet18/Swin-Tiny/ConvNeXt-Nano 基底的 2.5D 模型集成。

关键点检测

我为每个坐标创建了高斯热图，并使用 resnet34 编码器训练了 DeepLabV3Plus 模型，分别针对三种序列类型（Sag T2, Sag T1, Axi）。坐标定义为每个预测图的 argmax。输入分别为 5、3 和 3 个切片（作为通道），调整大小为 512x512 像素并进行强度归一化。Sag T2 系列从中间选择切片，Sag T1 系列从相对于中间的预定 mm 位置选择。对于 Axi 系列，相关的 Sag T2 坐标被投影到轴向系列空间，并选择最接近该坐标的切片周围。使用了旋转、剪切、通道洗牌 (p=0.5) 以及锐化或运动模糊之一 (p=0.5) 的数据增强。使用 AdamW 优化器，基础学习率 0.001，批量大小 16 和 CosineAnnealingLR 调度器，分别训练了三个模型 30、20 和 10 个 epoch，使用 MSE 损失和 5 折交叉验证。

分类

我提取了以坐标为中心的 50 mm x 50 mm ROI，包含 5 个切片（作为通道），调整大小为 128x128 像素（ResNet18 基底）或 224x224 像素（Swin-Tiny 和 ConvNeXt-Nano 基底），并归一化强度。切片选择方式与关键点检测相同，只是这种情况下 Sag T1 使用依赖于级别的 mm 位置。使用了旋转、剪切以及锐化或运动模糊之一 (p=0.5) 的数据增强。我还仅对 Axi 系列使用了通道洗牌 (p=0.5)，因为尽管使用了循环网络头，它显著提高了性能。分类器是基于 resnet18、swin_tiny 和 convnext_nano 特征提取器带有 GRU 头的 2.5D 模型。使用 AdamW 优化器，基础学习率 0.001 或 0.00003，批量大小 16 和 StepLR 或 CosineAnnealingLR 调度器，使用交叉熵损失和 5 折交叉验证训练模型 3-5 个 epoch（最佳参数取决于模型类型）。我使用了两种方法：“拆分”模型，每个核心条件（椎管狭窄、椎间孔狭窄和关节下狭窄）使用单独的单一输出模型；以及“全局”模型，输出所有五个条件（包括两侧）。

拆分模型

脊柱：使用 Sag T2 和 Axi（以左右坐标均值为中心）ROI。
椎间孔：使用 Sag T1 ROI，两侧使用相同模型。
关节下：使用 Axi ROI，两侧使用相同模型，但右侧图像被镜像。
使用这三个模型获得每个级别和侧面的预测，并连接以制作每个研究的 25 个输出。

全局模型

Sag T2、左/右 Sag T2 和左/右（右侧镜像）Axi ROI 被用作模型输入，生成给定级别所有 5 个条件的预测。左右侧使用相同的特征提取器模型。
获得每个级别的预测并连接以制作每个研究的 25 个输出。

提交

我的最终提交是 6 个模型的集成，结合了拆分和全局模型以及三种不同的特征提取器 ResNet18、Swin-Tiny 和 ConvNeXt-Nano。每个模型进一步是 5 折集成，最终预测是这些集成的简单平均值。