分享了在眼底水肿病变区域分割竞赛中的经验，包括数据处理、模型选择及优化策略，采用基于ResNet34的Unet模型，实现多任务架构下的病变分类与分割。
内容完善中。。。
赛道：眼底水肿病变区域分割
队名：965728310
比赛地址：https://challenger.ai/competition/fl2018，答辩视频地址可关注官网最新动态
特别说明：未经作者同意以下内容请勿转载，或挪作他用！如果一下图片内容存在侵权，请及时联系作者删除！
代码：后期更新
题目内容：对OCT图像中，水肿类型进行多分类，且对病变区域进行分割
数据观测：
数据集中存在不少问题：
1、类别分布不平衡，PED视网膜色素上皮脱离这种病变在数据集中相对较少。
从答辩情况来看，有不少队伍，采用了一定的数据集增广方案去增加这一类数据（暴力黏贴与弹性变换、GAN）。当然GAN的方法不错，而且最近不少用GAN来做数据增广，都有效的提高了模型的能力。
在很多比赛中，参赛队都会考虑数据处理，这部分也是非常花费时间的，也有不少人采取了剔除数据集中的不好的数据。但是任何对数据集苛求的模型，都会大大增加成本，而且数据质量是目前无法绝对保证的，所以模型的泛化能力才是关键。
方案思路：
尝试过很多的图像预处理方案，分割后处理方案！涉及“小波变换降噪”、“散斑降噪”等一些目前较为成熟的医疗图像去噪手段，但是在我们的最终解决方案中都没有采纳！关于后处理方案，我们尝试过CRF，ConvCRF等一些常用手段，也再最终被我们淘汰！
模型方案：
我们采用过两种经典模型：FCN、Unet，FCN-PSP-Unet其实是我们最好的模型，但是由于模型比较大，因此被我淘汰。我们最后使用的是基于resnet34的Unet。
之所以，一开始会采用FCN这种大模型，也是为了能够让普通的图像和医疗图像之间能有一个更加通用的模型，所以一开始会在FCN上去尝试，而且根据数据集数量来说，和VOC的增广集到达了差不多的级别，只不过图像中特征比较单一。
在我们的实验中，PSPnet去结合Unet结构，也就是类似于deeplabv3+的模型，其实效果最好。
我们自始至终都是采用多任务架构，分类与分割并行：
1、特征编码层：代表了把最终encoder的feature maps进行编码成特征向量，这里采用了建立视觉单词库，类似于词袋模型/视觉中心这这感觉。通过这种方式得到特征向量。
2、利用特征向量进行attention，优化feature maps
3、我们加入了ScSE 这个模块，由于我比较懒，最终也没画图~~~~
4、最终方案中loss=softmax Cross entropy loss + Dice loss + sigmoid 的class loss + 深度监督loss，我也尝试过对不同类别加权重、focal loss 甚至 Lovasz-Softmax 的loss，虽然有一些尝试对结果有提升，但是我觉得不方便，在最终的提交方案中，并没有采用。
总结：
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
