Kaggle竞赛赛题解析：胃肠道图像分割

Kaggle是一个举办机器学习学术活动的社区，一个可以很好的发展和实践你的技能以及展示你的能力的机器学习与数据分析平台。对于想参加Kaggle学术活动的初学者将是一个巨大的挑战，今天我们来看看Kaggle学术活动赛题解析：胃肠道图像分割。

比赛名称：UW-Madison 胃肠道图像分割

在医学扫描中跟踪健康器官以改善癌症治疗

比赛链接：https://www.kaggle.com/competitions/uw-madison-gi-tract-image-segmentation

比赛类型：计算机视觉、语义分割

比赛背景

2019 年，全球估计有 500 万人被诊断出患有胃肠道癌症。在这些患者中，大约一半有资格接受放射治疗，通常每天进行 10-15 分钟，持续 1-6 周。放射肿瘤学家尝试使用指向肿瘤的 X 射线束进行高剂量辐射，同时避开胃和肠。

借助集成磁共振成像和线性加速器系统（也称为 MR-Linacs）等新技术，肿瘤学家能够可视化肿瘤和肠道的每日位置，这些位置每天都在变化。在这些扫描中，放射肿瘤学家必须手动勾勒出胃和肠的位置，以便调整 X 射线束的方向，以增加向肿瘤输送的剂量并避开胃和肠。这是一个耗时且劳动密集型的过程，可以将治疗从每天 15 分钟延长到每天一个小时，这对于患者来说可能难以忍受——除非深度学习可以帮助自动化分割过程。分割胃和肠的方法将使治疗更快，并使更多患者获得更有效的治疗。

比赛任务

在本次比赛中，您将创建一个模型以在 MRI 扫描中自动分割胃和肠。MRI 扫描来自实际的癌症患者，他们在放射治疗期间的不同日子进行了 1-5 次 MRI 扫描。

您将基于这些扫描的数据集制定您的算法，以提出创造性的深度学习解决方案，帮助癌症患者获得更好的护理。

评价指标

Hausdorff 距离是一种计算分割对象 A 和 B 之间距离的方法，通过计算对象 A 上的最远点到对象 B 上的最近点。

对于 3D Hausdorff，我们通过将每个 2D 分割与切片深度相结合来构造 3D 体积作为Z坐标，然后找到它们之间的Hausdorff距离。

数据描述在本次比赛中，我们在图像中分割器官细胞。训练注释以 RLE 编码掩码的形式提供，图像采用 16 位灰度 PNG 格式。

本次比赛中的每个案例都由多组扫描切片表示。有些案例是按时间拆分的，而有些案例是按案例拆分的——整个案例都在训练中或测试中。本次比赛的目标是能够推广到部分和完全未见的案例。

train.csv - 所有训练对象的 ID 和掩码。

sample_submission.csv - 格式正确的示例提交文件。

train - 案例/日文件夹的文件夹，每个文件夹包含给定日期特定案例的切片图像。

比赛赛程

2022年7月7日：报名截止日期。您必须在此日期之前接受比赛规则才能参加比赛。

2022年7月7日：团队合并截止日期。这是参与者加入或合并团队的最后一天。

2022年7月14日：最终提交截止日期。

赛题奖金

1st Place - $12,000

2nd Place - $8,000

3rd Place - $5,000

解题思路赛题是一个典型语义分割赛题，因此可以参考历史的语义分割模型和3D语义分割比赛。

扫码获取备赛计划，考前查缺补漏、重点冲刺

【免费领取】相关真题及解析，还有一对一学术活动规划！