第10名解决方案

这是一场有趣的比赛，我要感谢我的队友 @samfc10 以及所有参与组织比赛的工作人员。

这是一个简单的教科书式解决方案，严重依赖外部TMA数据和强标签。整个流程中没有什么特别或新颖的内容。

1. 原始数据集

WSI（全切片图像）

WSI的掩码被缩放到缩略图尺寸。从缩略图中提取WSI和掩码的图块，步长为384，并填充至512。在这些填充后的图块和掩码上训练MaxViT Tiny FPN模型。分割模型的输出通过sigmoid激活，并在激活后应用3倍TTA（水平、垂直和对角线翻转）。

由于模型在图块上训练并后期合并，最终的分割掩码预测呈现块状。

分割掩码预测被转换为8位整数，并使用最近邻插值法上采样至原始WSI尺寸。

• WSI及其掩码预测以1024步长进行最大次数裁剪
• 根据掩码面积按降序对裁剪区域进行排序
• 取前16个裁剪区域并赋予WSI标签

TMA（组织微阵列）

使用下方函数在TMA上删除标准差较低的行和列。此预处理的目的是去除白色区域，使WSI和TMA尽可能相似。使用更高的阈值会删除组织区域的图像，因此标准差阈值设为10。

def drop_low_std(image, threshold):
    """
    删除低于给定标准差阈值的行和列
    
    参数
    ----------
    image: numpy.ndarray, 形状为 (高度, 宽度, 3)
        图像数组
    threshold: int
        标准差阈值
        
    返回
    -------
    image: numpy.ndarray, 形状为 (裁剪后高度, 裁剪后宽度, 3)
        裁剪后的图像数组
    """
    
    vertical_stds = image.std(axis=(1, 2))
    horizontal_stds = image.std(axis=(0, 2))
    cropped_image = image[vertical_stds > threshold, :, :]
    cropped_image = cropped_image[:, horizontal_stds > threshold, :]
    
    return cropped_image

2. 验证

采用多标签分层k折作为交叉验证方案。数据集被分为5折，使用label和is_tma列进行分层。

3. 模型

使用EfficientNetV2 small模型作为骨干网络，配合常规分类头。

4. 训练

使用带类别权重的CrossEntropyLoss作为损失函数，类别权重计算为n / 第i类数量。

使用AdamW优化器，学习率为0.0001，配合余弦退火调度器，最低学习率为0.00001。

使用AMP实现更快训练和正则化效果。

每折训练15个epoch，选择平衡准确率最高的epoch。

训练时使用的数据增强包括：

• 将TMA缩放至1024尺寸（WSI裁剪图块已是1024）
• 放大归一化（随机将WSI缩放至512再恢复至1024）
• 水平翻转
• 垂直翻转
• 随机90度旋转
• 带45度旋转和轻微平移/缩放的Shift scale rotate
• 强色调和饱和度的颜色抖动
• 通道重排
• 高斯模糊
• 粗粒度丢弃（Cutout）
• ImageNet归一化

5. 推理

推理流程使用5折EfficientNetV2 small模型，每折模型预测后取平均值。

应用3倍TTA（水平、垂直和对角线翻转），取预测平均值。

每张WSI提取16个裁剪区域并取预测平均值。

单张图像的平均池化顺序：

• 预测原始图像和翻转图像，softmax激活后取平均
• 使用所有折模型预测并取平均
• 如果是WSI，预测所有裁剪区域并取平均

6. 方向转变

当时模型OOF分数为86.70（TMA: 84, WSI: 86.59），但LB分数仅为0.47（私下0.52/32-42名），非常低。

我注意到有些人OOF分数较低但LB分数更高，而我卡在0.47一段时间了。我曾花两周时间参加Optiver竞赛然后回归。我决定投入时间寻找外部数据，因为完全推翻现有流程重新开始并不明智。

7. 外部数据

UBC Ocean

最明显的是测试集中被模型 confidently 分类为HGSC的图像。从该图像提取16个裁剪区域并赋予HGSC标签。

斯坦福组织微阵列数据库

从此处下载134个卵巢癌TMA。

使用以下类别映射：

CLASS_MAPPING = {
    'fibroma of ovary spindle cell fibroma of ovary': 'Other',
    'carcinoma papillary serous': 'HGSC',
    'carcinoma endometrioid': 'EC',
    'lymphoma precursor B lymphoblastic': 'Other',
    'carcinoma adeno': 'HGSC',
    'carcinoma clear cell': 'CC',
    'carcinoma mucinous': 'MC',
    'carcinoma adeno mucinous': 'MC',
    'seminoma dysgerminoma': 'Other'
}

kztymsrjx9

从此处下载此数据集。将Serous目录中的图像赋予HGSC标签，未使用Non_Cancerous目录。共找到398个卵巢癌TMA。

tissuearray.com

从此处截取高分辨率预览图。共找到1221个卵巢癌TMA。

usbiolab.com

从此处截取高分辨率预览图。共找到440个卵巢癌TMA。

proteinatlas.org

从此处下载图像。共找到376个卵巢癌TMA。

数据汇总

以下是找到外部数据的来源：

8. 最终迭代

最终数据集（包含每个WSI的16个裁剪区域）的标签分布如下：

• HGSC: 4127
• EC: 2252
• CC: 1666
• MC: 1066
• LGSC: 969
• Other: 738

图像类型分布如下：

• WSI（16x 1024裁剪）: 8224
• TMA: 2594

所有外部数据都拼接到每折的训练集中。验证集未改变以保持结果可比性。OOF分数从86.70降至83.85，但LB分数跃升至0.54。我认为这一提升与Other类有关，但改进不够明显。此时我推测私有测试集可能包含更多Other类样本，这在Kaggle竞赛中很常见。本次竞赛的关键在于预测TMA和Other类，因此私有测试集很可能包含更多此类样本。我决定信任LB分数，选择LB分数最高的提交。该提交在公开榜得分为0.54，在私有榜得分为0.58。