kaggle比賽背景介紹
在國際上，肺炎佔所有5歲以下兒童死亡的15％以上。2015年，有920,000名5歲以下兒童死於該病。在美國，肺炎佔急診科就診人數超過50萬[1]，2015年有超過50,000人死亡[2]，使疾病成爲該國十大死因之一。
雖然常見，但準確診斷肺炎是一項艱鉅的任務。它需要由訓練有素的專家審查胸部X光片（CXR），並通過臨牀病史，生命體徵和實驗室檢查確認。肺炎通常表現爲CXR上不透明度增加的區域[3]。然而，CXR上肺炎的診斷很複雜，因爲肺部有許多其他疾病，如體液超負荷（肺水腫），出血，體積減輕（肺不張或塌陷），肺癌或放療後或手術後的變化。在肺外，胸膜腔內的液體（胸腔積液）也表現爲CXR上的不透明度增加。對比在不同時間點採集的患者的CXR與臨牀症狀以及病史的相關性有助於進行診斷。
CXR是最常進行的診斷成像研究。許多因素，例如患者的定位和吸氣深度可以改變CXR的外觀[4]，進一步使解釋複雜化。此外，臨牀醫生每個班次都面臨着閱讀大量圖像的問題。
爲了提高診斷服務的效率和範圍，北美放射學會（RSNA®）已經與Kaggle的機器學習社區聯繫，並與美國國立衛生研究院，胸部放射學會和MD.ai合作開發這個挑戰的豐富數據集。
RSNA是一個由放射科醫師，醫學物理學家和其他醫學專業人士組成的國際學會，擁有來自全球146個國家的54,000多名成員。他們認爲ML有可能使潛在肺炎病例的初步檢測（成像篩查）自動化，以便優先考慮並加快審查。
挑戰參與者可能會被邀請在2011年11月25日至30日在美國伊利諾伊州芝加哥舉行的RSNA年會的頒獎儀式上展示他們的AI模型和方法。
在本次比賽中，您面臨的挑戰是建立一種算法來檢測醫學圖像中的肺炎視覺信號。具體來說，您的算法需要在胸片上自動定位肺部不透明度。
比賽冠軍經驗分享
- 第一名解決方案：
https://www.kaggle.com/c/rsna-pneumonia-detection-challenge/discussion/70421
- 第二名解決方案：
https://www.kaggle.com/c/rsna-pneumonia-detection-challenge/discussion/70427
- 第三名解決方案：
https://www.kaggle.com/c/rsna-pneumonia-detection-challenge/discussion/70632
附github 代碼：
https://github.com/pmcheng/rsna-pneumonia
- 第四名解決方案：
https://github.com/DanielEftekhari/Machine-Learning-Presentations-Blogs/blob/master/Kaggle-RSNA-pneumonia-detection-challenge/16bit_layer6_RSNA_Pneumonia_Detection_Challenge_Winner_Documentation.pdf
- 第六名解決方案：
https://www.kaggle.com/c/rsna-pneumonia-detection-challenge/discussion/70650
比賽使用到的模型代碼
- 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
- 冠軍源代碼 https://github.com/i-pan/kaggle-rsna18
比賽中涉及到的經典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
- 如何評價Kaiming的Focal Loss for Dense Object Detection？ https://www.zhihu.com/question/63581984
- YOLO: Real-Time Object Detection https://pjreddie.com/darknet/yolo/
“深度學習與數據挖掘實戰”公衆號
“數據極客”社區下的垂直公衆號之一，主要分享深度學習／數據挖掘／機器學習工業界和學術界的一些實戰經驗、熱門前沿技術。“數據極客”社區，本着開源的思想，促進學術成果向工業成果轉化。x-studio交流平臺，匯聚各大互聯網公司的算法工程師和在讀博士學習交流；x-school交流平臺，匯聚國內外985/211院校在讀本科／碩士學習交流。
社區網站：www.datageekers.com
感興趣、有投稿意願的，請發郵件聯繫：[email protected]
！！掃碼關注公衆號！！
