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/