0
雷鋒網(wǎng) AI 研習(xí)社按：最近一段時(shí)間以來，醫(yī)學(xué)影像作為人工智能重要的應(yīng)用領(lǐng)域，受到學(xué)界和越來越多 AI 公司的關(guān)注。Nature、Science、Cell 上頻頻刊登在醫(yī)療影像中應(yīng)用 AI 的文章，谷歌、IBM、依圖科技等公司也紛紛加入 AI+ 醫(yī)療的競爭……
作為全球最大的數(shù)據(jù)科學(xué)競賽平臺，Kaggle 也順理成章搭上了這班順風(fēng)車，與 Booz Allen Hamilton 咨詢公司一同推出了 2018 年 Data Science Bowl 比賽。
眾所周知，鑒定細(xì)胞的細(xì)胞核是大多數(shù)醫(yī)學(xué)分析的起點(diǎn)。人體 30 萬億細(xì)胞中，大部分都有細(xì)胞核，而這些細(xì)胞核中存儲了 DNA。識別細(xì)胞核可以讓研究人員識別樣本中的每一個(gè)細(xì)胞，通過測量細(xì)胞對各種治療措施的反應(yīng)，研究人員可以了解潛在的生物過程，進(jìn)而提高藥物檢測的效率，縮短新藥的開發(fā)周期。
本次比賽要求參賽者構(gòu)建計(jì)算機(jī)視覺模型，從圖片中識別不同條件下的細(xì)胞核，并且以均值平均精度（MaP）和交并比（IoU）作為評價(jià)指標(biāo)。該比賽獎(jiǎng)池巨大，達(dá)到了 10 萬美金之多，共吸引了 861 支隊(duì)伍。
下面是第一名的解決方案，雷鋒網(wǎng) AI 研習(xí)社編譯整理如下。
我們之前有參加過圖像分割挑戰(zhàn)賽（如 Carvana，Urban 3D，Spacenet，Konica Minolta），在這些比賽中，我們積累了豐富的經(jīng)驗(yàn)。因此，這一次比賽的選擇非常明確——開了掛的 U-Net！
首先，我們嘗試了最簡單的方法，并將針對二進(jìn)制掩膜的分水嶺算法加入其中（換言之，修改 GT 掩膜使得細(xì)胞核之間總是存在間隙），這讓我們在公開榜單上獲得了大約 500 的分?jǐn)?shù)。顯然，這不足以贏得比賽。
然后，我們加入了代表輪廓的通道，輪廓的寬度取決于細(xì)胞核的大小。這些掩膜 + 簡單的分水嶺后置處理算法讓我們在公開榜單上大約獲得了 525 分。盡管這并不是一個(gè)大的突破，但是它給了我們對正確方向的啟示。
回過頭來看這些錯(cuò)誤，很明顯，網(wǎng)絡(luò)很容易在不模糊的地方預(yù)測輪廓。然而，在我們真正需要通過輪廓去分割出細(xì)胞核的地方，這些網(wǎng)絡(luò)的表現(xiàn)卻非常糟糕。因此，我們決定只預(yù)測細(xì)胞之間的邊界。很容易地，我們通過單一的網(wǎng)絡(luò)處理結(jié)果 + 分水嶺后置處理在公共榜單上獲得了大于 550 的分?jǐn)?shù)。
盡管我們在一個(gè)通道中有全掩膜，在另一個(gè)通道中有細(xì)胞的邊界，但有時(shí)結(jié)果還是不夠好。一個(gè)更好的方法是改變原子核的掩膜并且使邊界上的像素點(diǎn)變成空白。這也讓我們能夠使用 softmax 而不是 sigmoid 函數(shù)作為激活函數(shù)。這樣可以更好地分離出原子核，但是實(shí)際上，由于交并比（IoU）的閾值太高，均值平均精度（MaP）卻被降低了。我們通過額外在全掩膜上訓(xùn)練的網(wǎng)絡(luò)去解決這個(gè)問題，并且在后置處理的步驟中將結(jié)果進(jìn)行融合。
2 通道 sigmoid 激活函數(shù)掩膜網(wǎng)絡(luò)（例如，掩膜-邊界、邊界）或3通道 softmax 激活函數(shù)掩膜網(wǎng)絡(luò)（例如，掩膜-邊界、邊界、1-掩膜-邊界）
2 通道全掩膜（例如，掩膜、邊界）
對于圖c43e356beedae15fec60ae3f8b06ea8e9036081951deb7e44f481b15b3acfc37，處理結(jié)果看起來是這樣的：
在 post 處理之后的結(jié)果為：
由于只有幾百張訓(xùn)練圖像，我們需要提出具體的數(shù)據(jù)增強(qiáng)方案來防止模型過擬合，更好地泛化。我們用了大量的數(shù)據(jù)增強(qiáng)方法（或許太多了）
對比度受限自適應(yīng)直方圖均衡化算法（Clahe），銳化（Sharpen），凸點(diǎn)（Emboss）
高斯噪聲
彩圖到灰度轉(zhuǎn)換（Color to Gray）
反相——我們本不該使用它的，這種方法使得第二階段一些圖像沒有被準(zhǔn)確地預(yù)測
將灰度圖重新映射到隨機(jī)顏色的圖像中
模糊（Blur）、一般模糊（Median Blur）、非常模糊（Motion Blur）
對比度和亮度
隨機(jī)縮放、旋轉(zhuǎn)、翻轉(zhuǎn)
重度幾何變換：彈性變換（Elastic Transform）、透視變換（Perspective Transform）、分段仿射變換（Piecewise Affine transforms）、枕形畸變（Pincushion Distortion）
隨機(jī)色相、飽和度、明度（HSV）變換
通道重排——由于數(shù)據(jù)的天然性，這一點(diǎn)非常重要
圖像上細(xì)胞核的復(fù)制。這樣就創(chuàng)造了大量重疊的細(xì)胞核，似乎有助于網(wǎng)絡(luò)更好地學(xué)到重疊細(xì)胞核的邊界。
我們使用在 ImageNet 上預(yù)訓(xùn)練好的、類似于編碼器——解碼器結(jié)構(gòu)的 UNet 網(wǎng)絡(luò)。
令人驚訝的是，像 VGG16 這樣的簡單編碼器根本不適用于這個(gè)比賽，比如在細(xì)胞組織上看起來像細(xì)胞核（但事實(shí)上并不是）的困難情況下就失敗了，尤其是在像 59b35151d4a7a5ffdd7ab7f171b142db8cfe40beeee67277fac6adca4d042c4 這種彩色圖片中：
這些實(shí)驗(yàn)之后，我們決定進(jìn)行更加深入的研究！結(jié)果顯示，本次比賽中性能最好的模型是：DPN-92, Resnet-152，INceptionResnetV2，Resnet101
在這個(gè)部分，我們使用預(yù)測出的細(xì)胞核作為候選，來訓(xùn)練 LightGBM 模型。每一個(gè)候選都是通過最低的（決策樹）分裂閾值挑選出來的，并且試圖與較高的閾值和損失分開。我們使用幾個(gè)基本的形態(tài)學(xué)特征來描繪候選，例如：堅(jiān)固性、循環(huán)性、凸性、面積、計(jì)數(shù)等。預(yù)測目標(biāo)是交互比，之后根據(jù)預(yù)測出的交互比選擇候選的最佳閾值，將交互比很小的候選直接刪除。
我們從 janowczyk、nucleisegmentationbenchmark、isbi2009、BBBC020、TNBC 數(shù)據(jù)集中額外添加了一些圖像，其中一部分圖像降低了我們在公共榜單上的得分，使得對彩色圖片的預(yù)測不那么準(zhǔn)確。很遺憾的是我們沒有時(shí)間去找到問題的根源，進(jìn)而做出進(jìn)一步的調(diào)整。
我們使用了一種簡單的方法：僅僅在后置處理之前對掩膜的結(jié)果取了平均。
隨機(jī)裁剪（random crops）： 256*256
批處理尺寸（batch size）：16
優(yōu)化器：Adam
學(xué)習(xí)率：初始值為十的負(fù)四次方（我們有不同的 LR 策略，但是大多數(shù)情況下選擇不超過十的負(fù)四次方的小 LR 值）。
對于使用 sigmoid 激活函數(shù)和 2 通道掩膜的網(wǎng)絡(luò)，我們?yōu)槊總€(gè)通道使用「binary_crossdentropy」和「soft_dice」的組合。 對于使用 softmax 激活函數(shù)和 3 通道掩膜的網(wǎng)絡(luò)，我們?yōu)槊總€(gè)通道使用 「categorical_crossentropy」和「soft_dice」（soft dice 僅僅適用于掩膜和邊界通道）
標(biāo)準(zhǔn)翻轉(zhuǎn)/旋轉(zhuǎn)（0度，90度，180度，270度）。
via Kaggle
雷鋒網(wǎng) AI 研習(xí)社編譯整理。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
