$30 off During Our Annual Pro Sale. View Details »

第5回日本眼科AI学会総会_AIコンテスト_3位解法

Neilus
December 01, 2024

 第5回日本眼科AI学会総会_AIコンテスト_3位解法

第5回日本眼科AI学会総会において開催された
眼底写真を用いたメタボリックシンドローム推定
についての発表用スライドです

http://www.jsaio.jp/meeting/soukai/contest/index.html

コードはこちらで公開しています
https://github.com/Neilsaw/jsaio_2024_solution

Neilus

December 01, 2024
Tweet

Other Decks in Programming

Transcript

  1. 課題とデータ •データ • 学習用データ 5000件 • 眼底画像 • 臨床情報 •

    メタボの有無 (今回のtarget label) • メタボ有りが2500件、無しが2500件 • 腹囲、HDLコレステロール、収縮期/ 拡張期血圧、血糖 など • 回答用データ 500件 • 眼底画像
  2. 学習 •2段階で学習 •1段階目 • Train / Valid / Test (5fold

    Test は固定) • 有効なモデル探索 • ハイパーパラメータ調整 •2段階目 • Train / Valid (5fold) • 全データで学習 • 5seed ensemble
  3. 学習 1段階目 •使用したモデル • seresnext26t_32x4d.bt_in1k • maxvit_tiny_tf_224.in1k •理由 • 共にモデル単一での精度が約0.680出たため

    • 他のモデルは0.650程度 • ResNetとViTのアーキテクチャの違いによるensemble性能を期待
  4. 学習 1段階目 •Best Test acc • 1: seresnext50_32x4d.racm_in1k 5fold 単純加算平均

    • 0.6890 • 2: maxvit_tiny_tf_224.in1k 5fold 単純加算平均 • 0.6900 • 1と2の単純加算平均 • 0.6940 •精度向上につながったポイント • 強力なデータ拡張 (Heavy data augmentation) • 補助損失 (Auxiliary loss)
  5. 学習 1段階目 補助損失 •学習時は臨床情報もモデルの分類ヘッドで推論し損失を算出 •推論時はメタボ有無のみを取得し推論 •+ 0.01 (Test acc) •

    参考: RSNA 2023 Abdominal Trauma Detection 1st Place Solution: Team Oxygen • https://www.kaggle.com/competitions/rsna-2023-abdominal-trauma-detection/discussion/447449
  6. 学習 2段階目 •1段階目で調整した結果を元に Test データも含めて学習 •異なるseed値でfoldと乱数を設定 •2(serenext / maxvit) *

    5(fold) * 5(seed) = 50 個 のモデルを作成 •seed ensemble を行うことで安定した推論を期待 • 参考: Kaggle Tokyo Meetup2023 CommonLit Solutionの紹介と考え方 - Fulltrain戦略と (Seed/Model)Ensembleの可視化 - • https://speakerdeck.com/chumajin/model-ensemblenoke-shi-hua?slide=29
  7. 推論 •オリジナル / 左右反転 / 上下反転のTTAを実施 • 50 * 3

    = 150個の推論値の単純加算平均でメタボ有無を判定 •結果 (回答データ500件について) • メタボ有り: 239件 • メタボ無し: 261件