第30名解决方案

这是我第一次参加Kaggle竞赛，整个过程非常有趣。非常感谢主办方和所有参与者。特别感谢@jirkaborovec，他在竞赛初期提供的公开笔记对我启动自己的方法帮助很大。

最佳模型

我采用了一种简单的基于分块的方法，训练了一个ConvNeXt_Tiny模型，将每个分块分类为以下5个类别之一：

• ConvNeXt_Tiny，预训练
• 512x512像素的图像尺寸
• 批量大小：32
• 随机水平/垂直翻转增强
• 颜色增强（亮度、对比度、饱和度、色调）
• 颜色归一化
• 交叉熵损失
• AdamW优化器，StepLR（step_size=2，gamma=0.1），学习率=1e-4
• 1 + 5个训练轮次（第一个轮次中卷积层被冻结）
• CV5，分层分组KFold

WSI分块

我使用补充掩模训练了一个EfficientNet_B0（预训练）模型，采用与主模型相似的训练参数，用于检测含有肿瘤的分块（5折交叉验证平衡准确率为0.97）。在训练数据中，我选择肿瘤标签大于95%的分块作为肿瘤类别，以及间质+坏死标签大于50%且肿瘤标签小于5%的分块作为无肿瘤类别。

我将每个WSI切分为1024x1024像素的分块（丢弃黑色背景超过60%的分块），并从每张图像中随机选取32个肿瘤分块（基于EfficientNet_B0模型，阈值为0.5）用于训练和推理。在推理过程中，对各分块的预测结果进行了平均。

TMA"分块"

从图像中心切取一个2048x2048像素的分块（以补偿2倍放大）。

其他类别

使用S型激活函数，如果最大激活值小于0.8，则将图像标记为"其他"。

（额外说明：一些意外生成的增强图像，其艺术价值值得商榷。）