专栏首页深度学习与数据挖掘实战干货|RSNA肺炎检测挑战赛冠军经验分享

干货|RSNA肺炎检测挑战赛冠军经验分享

kaggle比赛背景介绍

在国际上,肺炎占所有5岁以下儿童死亡的15%以上。2015年,有920,000名5岁以下儿童死于该病。在美国,肺炎占急诊科就诊人数超过50万[1],2015年有超过50,000人死亡[2],使疾病成为该国十大死因之一。

虽然常见,但准确诊断肺炎是一项艰巨的任务。它需要由训练有素的专家审查胸部X光片(CXR),并通过临床病史,生命体征和实验室检查确认。肺炎通常表现为CXR上不透明度增加的区域[3]。然而,CXR上肺炎的诊断很复杂,因为肺部有许多其他疾病,如体液超负荷(肺水肿),出血,体积减轻(肺不张或塌陷),肺癌或放疗后或手术后的变化。在肺外,胸膜腔内的液体(胸腔积液)也表现为CXR上的不透明度增加。对比在不同时间点采集的患者的CXR与临床症状以及病史的相关性有助于进行诊断。

CXR是最常进行的诊断成像研究。许多因素,例如患者的定位和吸气深度可以改变CXR的外观[4],进一步使解释复杂化。此外,临床医生每个班次都面临着阅读大量图像的问题。

为了提高诊断服务的效率和范围,北美放射学会(RSNA®)已经与Kaggle的机器学习社区联系,并与美国国立卫生研究院,胸部放射学会和MD.ai合作开发这个挑战的丰富数据集。

RSNA是一个由放射科医师,医学物理学家和其他医学专业人士组成的国际学会,拥有来自全球146个国家的54,000多名成员。他们认为ML有可能使潜在肺炎病例的初步检测(成像筛查)自动化,以便优先考虑并加快审查。

挑战参与者可能会被邀请在2011年11月25日至30日在美国伊利诺伊州芝加哥举行的RSNA年会的颁奖仪式上展示他们的AI模型和方法。

在本次比赛中,您面临的挑战是建立一种算法来检测医学图像中的肺炎视觉信号。具体来说,您的算法需要在胸片上自动定位肺部不透明度。

比赛冠军经验分享

  • 第一名解决方案:

https://www.kaggle.com/c/rsna-pneumonia-detection-challenge/discussion/70421

  • 第二名解决方案:

https://www.kaggle.com/c/rsna-pneumonia-detection-challenge/discussion/70427

  • 第三名解决方案:

https://www.kaggle.com/c/rsna-pneumonia-detection-challenge/discussion/70632

附github 代码:

https://github.com/pmcheng/rsna-pneumonia

  • 第四名解决方案:

https://github.com/DanielEftekhari/Machine-Learning-Presentations-Blogs/blob/master/Kaggle-RSNA-pneumonia-detection-challenge/16bit_layer6_RSNA_Pneumonia_Detection_Challenge_Winner_Documentation.pdf

  • 第六名解决方案:

https://www.kaggle.com/c/rsna-pneumonia-detection-challenge/discussion/70650

比赛使用到的模型代码

  • RetinaNet https://github.com/fizyr/keras-retinanet
  • R-FCN https://github.com/msracver/Deformable-ConvNets
  • Deformable Relation Networks https://github.com/msracver/Relation-Networks-for-Object-Detection
  • 冠军源代码 https://github.com/i-pan/kaggle-rsna18

比赛中涉及到的经典paper

  • ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases

http://openaccess.thecvf.com/content_cvpr_2017/papers/Wang_ChestX-ray8_Hospital-Scale_Chest_CVPR_2017_paper.pdf

  • Focal Loss for Dense Object Detection https://arxiv.org/pdf/1708.02002.pdf
  • SSD: Single Shot MultiBox Detector https://arxiv.org/pdf/1512.02325.pdf
  • 如何评价Kaiming的Focal Loss for Dense Object Detection? https://www.zhihu.com/question/63581984
  • YOLO: Real-Time Object Detection https://pjreddie.com/darknet/yolo/

本文分享自微信公众号 - 深度学习与数据挖掘实战(www_datageekers_com),作者:数据极客社区

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-11-20

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 干货|RSNA肺炎检测挑战赛冠军经验分享

          在国际上,肺炎占所有5岁以下儿童死亡的15%以上。2015年,有920,000名5岁以下儿童死于该病。在美国,肺炎占急诊科就诊人数超过50万[1],...

    fishexpert
  • 干货|PyTorch实用代码段集锦

    Facebook公司开源的深度学习框架PyTorch越来越火,PyTorch易于上手。本文节选github中PyTorch的常用实用代码片段,供大...

    fishexpert
  • 【今日热门&优质资源】Kaggle竞赛优秀者code精选&机器学习中的核函数选择技巧

    fishexpert
  • 干货|RSNA肺炎检测挑战赛冠军经验分享

          在国际上,肺炎占所有5岁以下儿童死亡的15%以上。2015年,有920,000名5岁以下儿童死于该病。在美国,肺炎占急诊科就诊人数超过50万[1],...

    fishexpert
  • 2018年度盘点:机器学习开源项目及框架(附链接)

    我们先来看看Mybridge AI 中排名靠前的顶级开源项目,再聊聊机器学习今年都有哪些发展,最后探寻下新的一年中会有哪些有值得我们期待的事情。

    新智元
  • 2019百度之星开发者大赛参赛“全攻略”发布

    2019百度之星开发者大赛自7月1日启动以来,已收到近1800支队伍报名参赛。本次大赛以轻量级目标检测为赛题,选手需找出所给图像中所有感兴趣的目标,确定它们的位...

    用户1386409
  • Top 50机器学习项目实战总结

    整理 | 胡永波 根据《纽约时报》的说法,“在硅谷招募机器学习工程师、数据科学家的情形,越来越像NFL选拔职业运动员,没有苛刻的训练很难上场了。”毕竟,高达12...

    企鹅号小编
  • Top 50机器学习项目实战总结

    用户1737318
  • 【公告】GitHub/Tencent下一些项目实施项目存档(archive状态)

    ? 随着腾讯业务发展和技术更新迭代,腾讯GitHub官方账号下将有一些项目会进行archive操作(即存档仓库)。项目存档后,issue、拉取请求、代码、标签...

    腾讯开源
  • 荐读|十个让你惊讶的深度学习案例

    1、如果你急需使用一张照片,但是这张照片分辨率很低。没关系,深度学习算法已经能够为低分辨率的照片提高分辨率。首先来看一下效果。 ? Github上有两个案例供...

    灯塔大数据

扫码关注云+社区

领取腾讯云代金券