jmjeon94 / kaggle-hemorrhage-detection

RSNA Intracranial Hemorrhage Detection in kaggle

kaggle-hemorrhage-detection

RSNA Intracranial Hemorrhage Detection in kaggle
Leaderboard 1st source

0. 데이터셋 가공

소스: jupyter/make_dataframe.ipynb

• kaggle 제공 dataframe -> label, meta 정보가 추가된 dataframe

1. 데이터 분석(EDA), dicom 추출(png로 변환)

소스: jupyter/EDA_stage_1.ipynb

• dicom 추출은 2가지 방법

1. 하나의 slice기준으로 n-1, n, n+1을 concatenate한다.
2. 하나의 slice를 3개의 window level, width로 windowing하여 concatentate한다.

2. 환자 단위 데이터 처리 - Train/Valid/Test

소스: jupyter/preprocessing_stage_1.ipynb, jupyter/preprocessing_stage_2_test.ipynb

데이터프레임 재가공

• meta 데이터 중 study_instance_uid가 같으면 같은 환자
• 같은 환자 중 Image Position2 값으로 sequential하게 정렬(slice_id column 추가)

학습 단위 별로 데이터 분리

• 각각의 train.csv, valid.csv, test.csv로 분리
• hemorrhage, normal 환자를 각각 500명, 100명 추출

	사람 수	slice 수
Train	480명	16663장
Valid	60명	2051장
Test	60명	2073장

3. CNN 학습

소스: train.py, test.py

• config파일: /config/config_cnn.yaml 참조하여 수정
• pytorch에서 제공하는 pretrained densenet121 사용
• 마지막 fc layer이전의 feature들과, 최종 label output 출력
• checkpoint는 timestamp로 /checkpoints/cnn에 저장
• tensorboards는 /tensorboard/cnn에 저장

$ python3 train.py
$ python3 test.py

4. 학습된 모델로부터 예측된 label, features 저장

소스: make_features.ipynb

• dataset폴더에 train_feature.csv, valid_feature.csv, test_feature.csv 생성
• feature 파일 columns

filename, label0, label1, ..., label5, feature0, feature1, ..., feature1023

5. RNN 학습

소스: train_sequential.py, test_sequential.py

• config파일: /config/config_rnn.yaml 참조하여 수정
• 위 feature파일과 output label이 input이 됨
• checkpoint는 timestamp로 /checkpoints/cnn에 저장
• tensorboards는 /tensorboard/cnn에 저장

$ python3 train_sequential.py
$ python3 test_sequential.py

참고링크

kaggle 1위 설명