Kaggle - Data Science Bowl 20171の209位解法2の調査記事です.
Author: Wojtek Rosinski
Title: My code - 2D & 3D Segmentation U-Net's & Classification CNN's + XGB
Kaggle Discussion: https://www.kaggle.com/c/data-science-bowl-2017/discussion/31608
Code: https://github.com/Wrosinski/Kaggle-DSB
流れ
- 肺結節の検出: 2D(3D)U-Netを用いた2D(3D)Segmentation
- 悪性腫瘍の判別: 2D(3D)CNNを用いたクラス分類
環境
- GTX1080
LUNA
- 結節影の検出に利用
- 0〜1になるよう輝度値を255で割った.
U-Net 2D
- リサイズなどはしていない.
- 大量のfalse positiveが発生.
- dice coefficient: 1.45(私見: 1超えるの???)
- 約20時間学習
- 100症例の画像をシャッフルして訓練.
U-Net 3D
- 136x168x168にリサイズ
- dice coefficient: 0.5
- 約10時間学習
DSB2017
- LUNAで訓練したモデルで結節影の検出
- 3D(2D) U-Netでの結果に対して3D(2D) CNNで悪性腫瘍か分類
- 最終的にXGBoostで分類
- logloss: 0.55を達成.
References
-
Kaggle, Data Science Bowl 2017, 2017 ↩
-
Rosinski, My code - 2D & 3D Segmentation U-Net's & Classification CNN's + XGB, 2017. ↩