AI CUP 2022 Identification of Spread through Air Spaces (STAS) in Pathology Images of Lung Adenocarcinoma (II): Using Image Segmentation Strategies to Recognize STAS Contour

針對肺腺癌 H&E 染色數位病理全切片影像，本競賽提供在腫瘤外的感興趣區域 (region of interest, ROI) 以方框及不規則形狀像素層級之 STAS 標註資訊，運用影像分割作法於切割STAS輪廓。

• TEAM_1277
• Private leaderboard：0.90546 / (Rank 13 / 307)

Preprocessing (for cross validation)

• 將資料分群讓不同特性的資料均勻分布各個 cross validation 的資料集 ， 以增加 ensemble 後的模型穩定度
  • way1 : 肉眼觀察分群 （資料集照一定順序分佈）
  • way2 : kmeans cluster
    • step1 : Elbow Method 決定分4群最佳 (註: 用 keras inceptionV3 抽特徵)
    • step2 : 4 群均分到不同 training dataset

Model Architecture (voting)

• 使用 segmentation_models_pytorch 所提供的 API 建立以下五個模型

  Architectures	Encoders
  UnetPlusPlus	Efficientnet b7
  UnetPlusPlus	Efficientnet b5
  UnetPlusPlus	SE-ResNeXt50-32x4d
  DeepLabV3Plus	Efficientnet b5
  Linknet	Efficientnet b5

• 最後將五個模型 output 做平均 (Average Voting)

Postprocessing (blur + findcontours & fillpoly)

repo 解說

前處理程式碼：Preprocessing.ipynb

訓練程式碼：Model.ipynb

辨識程式碼：Test.ipynb

模型檔案：https://drive.google.com/drive/folders/1Sq682KheFmneDXpLD5Y7cYXpxpHj-gup?usp=sharing

執行環境：TWCC

預測結果輸出：STAS.zip

執行環境：Pytorch 1.11.0

檔案目錄結構

├── Preprocessing.ipynb               
├── Model.ipynb
├── Test.ipynb
├── Data
│   ├── SEG_Train_Datasets
│   │   ├── Train_Images
│   │   ├── Train_Annotations
│   │   ├── Train_Masks
│   │   ├── Fold1_Images
│   │   ├── Fold1_Masks
│   │   ├── Fold2_Images
│   │   ├── Fold2_Masks
│   │   ├── Fold3_Images
│   │   ├── Fold3_Masks
│   │   ├── Fold4_Images
│   │   ├── Fold4_Masks
│   │   ├── Test_Images
│   │   └──  Test_Masks
│   ├── Public_Image
│   └── Image   
├── model_weight                      
│   ├── best_model_1.pth
│   ├── best_model_2.pth               
│   ├── best_model_3.pth         
│   ├── best_model_4.pth               
│   └── best_model_5.pth
├── fig                      
│   ├── acc_1.png
│   ├── acc_2.png              
│   ├── acc_3.png         
│   ├── acc_4.png              
│   ├── acc_5.png
│   ├── loss_1.png
│   ├── loss_2.png              
│   ├── loss_3.png         
│   ├── loss_4.png              
│   └── loss_5.png
├── output                      
│   ├── Image           
│   └── Image_Postprocess