第二名解决方案

发生了什么？我的名字出现在第二名？我记得我的公开分数是0.43，排名是1052……

概述

我的解决方案包括U-Net3D（128x128x32）、阈值调整和后处理来移除不连通的血管，因为它们属于假阳性。

• 使用随机旋转（和位置）的数据增强，与第一名解决方案相同。
• U-Net3D。我曾认为3D会更准确，因为它提供更多维度的信息。但现在觉得这个假设可能有误，因为第一名使用了2.5D方法。
• 二元焦点损失（Binary-focal loss）。由于正样本数据较少。
• 调整阈值。由于不同人之间的血管体积比例没有太大差异，因此根据该比例来设定阈值。
• 后处理。由于血管应该是连通的，使用深度优先搜索提取小块并移除。

https://github.com/tail-island/blood-vessel-segmentation
Kaggle解决方案笔记本

数据处理

为方便切割数据，我创建了3D Numpy数组并调整了比例。我原本创建了"全部"（all）和"密集"（dense）数据集，计划按"全部"到"密集"的顺序进行课程学习。但由于个人电脑训练时间过长，最终只使用了稀疏数据训练。此外，我认为数据对人眼可见，差异不会太大，因此没有进行归一化或裁剪处理。

数据创建脚本

训练过程

我在每个n个周期（epoch）中从随机位置和旋转角度生成数据。为减少数据生成时间，使用了多进程处理。

数据集处理代码

神经网络采用U-Net3D架构。

模型定义代码

使用二元焦点损失，优化器为AdamW，学习率采用余弦衰减调度。

训练脚本

提交预测

通过平铺（tiling）方式进行预测。get_candidate()函数根据给定比例查找候选区域，get_blood_vessels()函数移除不连通的小块。

提交脚本

在搜索大血管块（并裁剪）的版本中，私有分数为0.756793，公开分数为0.000000...

优化版本脚本

发生了什么？

也许公开数据集只包含前x%的图像，它仅包含血管的末端部分，根部部分没有包含在内。因此，我的后处理在公开榜单上表现不佳。

由于公开分数太低，我很早就放弃了改进程序。而其他参赛者持续针对公开数据中血管末端部分进行优化。我怀疑这些改进在包含血管根部的私有数据上效果不佳。换句话说，我的第二名可能纯属运气...