竞赛回顾:脊柱疾病智能诊断大赛

关注

原创 2022-09-06 00:23:08 3.1k 阅读 AI 写同款· GEO 优化 ›

Spark“数字人体”AI挑战赛_脊柱疾病智能诊断大赛_GPU赛道亚军比赛攻略_triple-Z团队希望我们的模型能够实际运用到现实生活中，因此在设计模型的时候就考虑了模型的高效性，并且我们实验表明该模型能够达到实时性的要求。我们设想以后患者的影像图片可以和我们模型的预测结果一并传输到医生的电脑上，医生可以根据模型的预测进行一些修正和调整，但就可以节省了大量的手动查询和定位等时间。相当于把“是什么”的问题转化成了“是不是”，感觉一定程度可以提高医生的工作效率。我们本次比赛主要做了如下几个工作：设计了一个简洁高效的定位+分类模型设计了合适的损失函数有效地训练模型充足实验证明模型的有效性和高效性。阅读详情

先说结果：复赛27/3107,只能说一般般，没有打入前top20，并没有实现自己的目标。但是也是收获了不少经验，做一些总结和分享。

失败的经验：

尽早开始，尽快搭建自己的整套pipeline,后面再去增加的自己的idea,不断检验自己的idea.
可以准备一些自己的pipeline模板，这样可以加速开发。
想办法和大佬合作吧，和大佬一起合作。

贴一张最后决赛的结果：
在这里插入图片描述
其中GPU第一队，基本是大佬合集，看个人简介就知道，经常获得冠军的队。也是唯一一个实现map超过0.7的队伍。

自己的实现思路：
Unet关键点检测＋resNet分类
要实现的目标：
在这里插入图片描述
输入一些dicom医学图像，实现输出关键点的位置和疾病类别分类。
**加粗样式**

自己实现过的一些思路：

不区分类别，直接将椎体和椎间盘11个关键点输入Unet，输出的预测热图。
将椎体5个点输入一个Unet,将椎间盘6个点输入另一个Unet。在将两个输出合并到一起，组合形成结果。
输入的图像有很多突出的点(噪点),使用各向异性滤波来处理(平滑)，但是这样处理的话，测试集也需要输入处理。
把整11个点做成高斯热图来输入，当做整个脊椎的热图，但是没有什么改进。

其中面对的一个问题，可以定位到目标大概位置，但是脊椎有很多相似的结构，导致预测的开头容易出现跳格的现象，所以设想一种改进的Loss，主要利用点之间的距离相同，对距离做一个约束，故把这种距离加入到Loss中，我把他命名为posiLoss,后来在一篇论文中看到了相似的改进。

class posiLoss(nn.Module):
    def __init__(self,alph=50, beta=100):
        super(posiLoss, self).__init__()
        self.alph = alph
        self.beta = beta
        self.criterion_part1 = nn.MSELoss()
        self.sz = 11
        self.topKposi = 5

    def posiLoss(self, pred_heatmap, gt_heatmap):
        n,c,h,w = pred_heatmap.shape
        n_loss = list()
        for n_idx in range(n):
            # print("n:",n)
            pred_posiRation = self.relationPosi(pred_heatmap[n_idx])
            gt_posiRation = self.relationPosi(gt_heatmap[n_idx])
            psoiLossL = torch.Tensor(torch.abs(torch.sub(pred_posiRation, gt_posiRation))).cuda()
            # print("psoiLoss", psoiLossL)
            ret_psoiLoss = torch.sum(torch.topk(psoiLossL, self.topKposi).values)
            # print("ret_psoiLoss", ret_psoiLoss)
            n_loss.append(ret_psoiLoss)
        ret_n_loss = torch.mean(torch.Tensor(n_loss))
        return ret_n_loss

    def relationPosi(self, heatmap):
        # print(heatmap.shape)
        ret = list()
        ret.append(self.criterion_part1(heatmap[0], heatmap[1]))
        for i in range(1, self.sz-1):
            # print("i:",i)
            up = self.criterion_part1(heatmap[i-1], heatmap[i])
            down = self.criterion_part1(heatmap[i+1], heatmap[i])
            # print("down",down)
            ret.append(torch.mean(torch.Tensor((up, down))))
        ret.append(self.criterion_part1(heatmap[self.sz-1], heatmap[self.sz -2]))
        return torch.Tensor(ret)

    def forward(self, pred_heatmap, gt_heatmap):
        mse_loss = self.criterion_part1(pred_heatmap,gt_heatmap)
        # print("mse_loss", mse_loss)
        posiLosss = self.posiLoss(pred_heatmap,gt_heatmap)
        # print("posiLosss",posiLosss)
        return self.alph*mse_loss+self.beta*posiLosss

在这里插入图片描述

在这里插入图片描述
各种结果中UnetDouble+posiLoss+diffuse会最好。定位精度可以实现0.81,表里未记录。

一些未曾实现的想法：
6. 3DUnet,因为dicom文件是脊椎切片，是相关联的。
7. 传统方法：有论文显示,使用HOG和SVM来实现定位,准确率也可以很高。
8. 利用脊椎上的亮暗变化规律来定位中心值，因为不同图像之间差距很大，但是有一般的规律。
在这里插入图片描述

9.轴状位结合切片，作为输入信息。btw,主要原因是切片标注的数据实在是有点乱，很多标注不一致，希望天池可以做的更严谨一些。