RSNA 2023 腹部创伤检测银牌

第一次完整打下kaggle，写一个记录贴。

这个比赛是多标签分类，要求检测多个器官是否有创伤。CT数据，数据集明显的分布不均，不损伤：损伤大概是在1：10左右。

我们整个完整的解决方案分成三个部分：

Part1： 2D segmentation模型[Stage 1]

Part2: 2DCNN + 3D融合整张图检测[Stage 2]

Part3：2.5DCNN 单个器官检测[Stage 2]

Data Preprocessing

1.dicom文件读取需要做一些预处理，不然对比度很差。
预处理的地方我们其实还踩了挺大的坑，因为在扫描的时候如果佩戴金属时图像会有一些亮度很高的地方，如果预处理方法不当就会导致图像全黑。
2.归一化是最简单的/255。
3.所有人扫描的张数是不一样多的，器官出现的范围也不相同，因此我们需要根据分割结果选择切片范围。

【这个地方我们也花费了很多时间，因为分割的时候有些器官容易误分，这会导致很多没有器官的切片被选中】。

Augmentations

我们看了历年RSNA举办的比赛，发现有些比赛私榜和公榜shake得非常厉害，因此我们其实挺注重过拟合的问题，但在我们的尝试下，最终只选择了以下的数据增强方式：

transforms_train = A.Compose([
            A.Resize(image_sizes[0], image_sizes[1], interpolation=cv2.INTER_LINEAR),
            A.HorizontalFlip(p=0.5),
            A.VerticalFlip(p=0.5),
            A.ShiftScaleRotate(shift_limit=0.2, scale_limit=0.2, rotate_limit=20, p=0.5),
            A.OneOf([
                A.GaussianBlur(),
                A.MotionBlur(),
            ], p=0.3),
            A.OneOf([
                A.GridDistortion(num_steps=5, distort_limit=0.05, p=1.0),
                A.OpticalDistortion(distort_limit=0.05, shift_limit=0.05, p=1.0),
                A.ElasticTransform(alpha=1, sigma=50, alpha_affine=50, p=1.0)
            ], p=0.3),
            ])  

但实际上我到后期已经放飞了，由于一开始我们划分五折每一折单独训，但后来变成每个epoch训一折循环训，所以验证集也加了transform希望能验得准一点但发现也没什么用。

Stage2：整图检测

1. 切片范围选择
   首先，每个器官卡阈值得到器官出现范围。除了误分以外，由于扫描的范围不同，有的人是半身有的人是全身，因此有的器官根本就没出现。我们希望切片的范围包括这个人扫描到的所有器官的大部分，再卡了个上下界。

2. 2.5D切片块
   我们在这个得到的范围内正态采样，取每个采样切片的前后一张组成切片块。比如采样9张，最后得到的就是[9,3,256,256]形状。

3. 网络结构
   首先这9个是先和Batch size维度拼在一起进2DCNN，最后几层再回去进3DCNN。Backbone选择的是EfficientNetv2，试过ResNet，感觉容易过拟合。

4. Loss
   由于分布不均，一开始简单用了Focal loss和weighted cross entropy。曾经精细确定weighted参数但是发现不如随手一设的好用。后来加上了Mean-Variance loss涨了34个点。

Stage2： 单个器官检测

因为一开始训的时候，整图有些器官检测得很差，并且有些器官是二分类，有些器官是三分类。所以花了挺大力气打算训一个超级巨无霸，但是效果没有预想中的好，我觉得可能是因为切片采的不够多。

器官就采用单个器官出现的范围采样，加上±1张切片和mask，形状是[num, 3,256,256]。每个器官采样的张数不一样，器官大小本身不一样。
肾有两个，因此右肾我们水平翻转了一下和左肾拼起来送进去。

backbone是EfficientNetv2+RNN。

Ensemble：

整图预测挑了两折，和单器官预测融合。本来权重上想把整图里分的不是很好的器官设低的，但最后发现单器官检测效果也没有很好。

其他无效尝试：

1. 引入Patero尝试在平衡多loss，发现没用，因为时间不多没有接着尝试，感觉可能在哪一步出现问题。
2. PAN，因为觉得器官大小不一需要多尺度的感觉效果不大。
3. 加了all injury分支，发现容易过拟合。

没尝试但可能会有用的：

1. StratifiedKFold
2. 单张slice的标签信息，因为测试集不会有这个信息所以当时没用

一些经验

我们用分割模型其实有点晚，导致后面其实时间很紧，最后的模型完全是在一周之内训出来的，非常极限。下一次一定要同步各个部分。