我的 RSNA 2024 腰椎退行性分类解决方案，仅使用竞赛数据

我想衷心感谢 RSNA 和 Kaggle 组织了如此精彩的比赛。这是我第一次独自参赛，这段旅程是一次令人难以置信的学习经历。我很兴奋能与社区分享我的解决方案，并期待收到宝贵的反馈，以提高我未来比赛的技能。再次感谢这个机会！

步骤 1：YOLO 目标检测

我首先利用 YOLO 目标检测算法，在竞赛数据集上进行训练，以检测不同模态下每个腰椎水平的边界框。这使我能够精确定位感兴趣的区域以便进一步处理。

步骤 2：识别轴向切片和方向

利用脊髓管边界框的坐标，我确定了每个腰椎水平最接近的三个轴向切片。此外，这些坐标帮助我确定矢状切片中的左右方向，这对于确保相关图像的准确裁剪至关重要。

步骤 3：图像裁剪和预处理

有了脊髓管边界框和方向信息，我使用 YOLO 根据方向和脊柱水平提取每种条件的裁剪图像。我创建了三个脊髓管裁剪切片，六个神经孔区域图像，以及六个关节下空间图像。这些图像对于训练模型至关重要。

步骤 4：模型预训练

我预训练了一个模型，处理 3 个裁剪的脊髓管切片、6 个神经孔图像和 6 个关节下空间图像。每个图像组都通过专用的骨干网络——在本例中为 EfficientNetB0。从每个组提取的特征随后被送入密集神经网络，将其分类为五个类别，每个类别有三个类：正常/轻度、中度和重度。

步骤 5：针对每个腰椎水平进行微调

预训练模型后，我针对每个特定的腰椎水平进行了微调。这使我能够为腰椎的每个水平生成训练有素的模型，确保所有水平的分类精确。