Kaggle APTOS 2019 @ U-Tokyo Med

Materials for a presentation at the University of Tokyo's medical unit.

Updated: Jul. 2022

Transcript

1. IFI, Yuji Hiramatsu
   DL Research
   Meeting in U-Tokyo
   Medicine Gp
   

   View Slide

2. アクサ生命保険株式会社
   Senior Data Scientist
   Kaggle Master, A.I.A.J
   平松 雄司
    近年は アクサ損保・生命 にて
   ・アクチュアリー（収益管理 / プロジェクション）
   ・データサイエンティスト（予測モデル / 最適化 / 教育）
   といった 保険数理 / データ分析の領域を担当
   現在は アクサ生命 から 東京大学 へ研究員として出向し主に医療データ
   の分析・研究
    趣味で，本やブログ記事の執筆，データサイエンスのコンペティション
   （Kaggle）に参加
   

   View Slide

3.  2019 / 10 / 09 発売
   Kindle 版も同時発売
   ￥ 3,608 （税込み）
   技術評論社の EPUB/PDF でも発売中
   https://gihyo.jp/dp/ebook/2019/978-4-297-10844-1
    データ分析コンペティションプラットフォームである
   Kaggle における数々の分析手法・テクニックを紹介
    平松は 2 章と 7 章の一部 を担当
   2 章：評価指標の最適化，リーク
   7 章：アンサンブル，スタッキング
    Kaggle に限らず，実務でも活かせる内容になっています
   https://amzn.to/2lDkWlf
   

   View Slide

4. 今回は
   Kaggleのコンペを題材として
   お話をします
   

   View Slide

5. 01
   Competition
   Overview
   02
   Result
   and
   Model pipeline
   03
   Top
   Solutions
   

   View Slide

6. 01
   Competition
   Overview
   02
   Result
   and
   Model pipeline
   03
   Top
   Solutions
   

   View Slide

7.  インドの Aravind 眼科病院は，
   農村部に人を派遣し眼底検査を行っている．
   そこで撮影した網膜画像を眼科医に判断させ，
   糖尿病網膜症の診断を行っている．
    このコンペでは画像診断を自動化するための
   画像認識（画像分類）モデルを作成する
   Rural areas
   Aravind Eye Hospital
   Madurai, Tamil Nadu
   Retina
   images
   深層学習による網膜画像の分類モデルの作成
   

   View Slide

8. 糖尿病網膜症の所見と重症度
   

   View Slide

9. Datasets
    Train : 3,662
   images
   Public : 1,928
   images
   Private : 11,000
   images
    Label (severity)
   0: No DR
   1: Mild
   2: Moderate
   3: Severe
   4: Proliferative DR
   0: No DR
   1: Mild
   2: Moderate
   3: Severe
   4: Proliferative DR
   Test
   datasets
   

   View Slide

10. Public Private
     コンペ開催期間中に目安となる順位
     test data の 10 - 20 % くらいを使用して
    スコア計算されることが多い
     実際の順位はコンペ終了後にこちらで決定
     public で未使用の test data で評価されるのが基本
     過学習によるモデルの誤評価を防ぐための措置
    

    View Slide

11.  Train と Public とでラベルの分布が
    大きく異なる（DL modelは共変量シフトに弱い）
     その他
     複製画像が混入
     アノーテーションノイズ（次頁参照）
     コンペデフォルトのサンプル数が少ない一方
    で，
    外部データの使用が許可されているため，
    データを集めてくる必要がある
     不均衡データ
     画像サイズ・縦横比がばらばら（要・標準化）
    データに関連したいくつかの問題
    

    View Slide

12. https://youtu.be/oOeZ7IgEN4o?t=145
    眼科医間のannotationは一貫しない
    TensorFlow
    DEV SUMMIT 2017
    だからこそCADが有効ともいえる！
    横軸: 各眼科医
    縦軸: 各患者（画像）
    

    View Slide

13. 評価指標
    Quadratic Weighted Kappa
    κ = 1 − i, j
    ωi, j
    Oi, j
    i, j
    ωi, j
    Ei, j
    ωi, j
    = i − j 2
     混同行列にもとづいた指標なので，
    予測値に対して最適化した閾値を設定し，
    ハードラベル化しなければならない．
    そのため，閾値による不安定性がある．
     データのラベル分布に対する依存性がある
    Kaggleで勝つデータ分析の技術
    2.3.5 および 2.6.3 参照
    

    View Slide

14. 01
    Competition
    Overview
    02
    Result
    and
    Model pipeline
    03
    Top
    Solutions
    

    View Slide

15. Private: 28 th
    Public: 38 th
    順位が private で 上がることを shake-up
    下がることを shake-down と呼ぶ（業界用語）
    

    View Slide

16. APTOS 2019 Blindness Detection
    320
    320
    Remove
    black background
    Resize
    - HorizontalFlip
    - Brightness
    - Contrast
    - RGBshift
    - Scale
    - Rotate
    - RandomErasing
    - Stratified 5 fold
    - Pretrained on ImageNet
    - BCE loss
    - Early Stopping with BCE
    - Adam 1e-4
    RGB
    brightness
    normalization
    (ImageNet base)
    +
    Preprocessing
    SE-ResNext 50
    ( Pre-trained )
    Fine tuning
    APTOS IDRiD
    DRD 2015 Test
    TTA (3 times)
    - HorizontalFlip
    - Brightness
    - Contrast
    - RGBShift
    - Scale
    - Rotate
    Prediction Encoding
    +
    +
    Remove
    black
    background
    Preprocessing
    CLAHE
    ( adaptive
    histogram
    equalization )
    300
    260
    Resize
    Grade
    Balanced
    Sampling
    +
    +
    Augmentation
    - HorizontalFlip
    - Brightness
    - Contrast
    - RGBshift
    - Scale
    - Rotate
    - Shear
    - Stratified 5 fold
    - Pretrained on ImageNet
    - Input normalized with BN
    - Clipped MSE (CMSE)
    - Early Stopping with CMSE
    - Adam 1e-3 / 5e-4
    Changing Sampling Rate
    with Disease Grade
    ( 1 : 2 : 2 : 2 : 2 )
    TTA (3/3 times)
    - Brightness
    - Contrast
    - RGBShift
    - Scale
    - Rotate
    Blending
     Blending
    Coefficients
    SE-ResNext 50:
    0.469
    EfficinetNet B2:
    0.273
    EfficientNet B3:
    0.258
     QWK optimization
    with Nelder-Mead
    320
    Copyright 2019 @ Maxwell_110
    Public: 38 th
    Local 0.936 on APTOS train
    Public LB 0.832
    Private: 28 th
    Private LB 0.927
    Pre-training
    Augmentation
    Preprocessing
    Augmentation
    EfficientNet B2
    ( Pre-trained )
    EfficientNet B3
    ( Pre-trained )
    EfficientNet B2
    ( Regression )
    EfficientNet B3
    ( Regression )
    SE-ResNext 50
    ( Ordinal Regression )
    Ensemble
    Preprocessing
    Preprocessing
    Using all data
    

    View Slide

17. 01
    Competition
    Overview
    02
    Result
    and
    Model pipeline
    03
    Top
    Solutions
    

    View Slide

18. 1st place solution
    384
    384
    512
    512
    • contrast: +/- 0.2
    • brightness: +/- 20
    • hue: +/- 10
    • saturation: +/- 20
    • rotate: +/- 180
    • scale: +/- 0.2
    • shear: +/- 0.2
    • shift: +/- 0.2
    • do_mirror: True
    • blur_and_sharpen: True
    Resize
    Augmentation
    Preprocessing
    SE-ResNext 50
    ( 2 seeds, Huber loss, GeM Pooling )
    SE-ResNext 101
    ( 2 seeds, Huber loss, GeM Pooling )
    Inception V4
    ( 2 seeds, Huber loss, GeM Pooling )
    Inception ResNet V2
    ( 2 seeds, Huber loss, GeM Pooling )
    Stage 1 Training Stage 2 Training
    APTOS IDRiD
    Messidor Test
    (Public)
    Preprocessing
    Inception ResNet V2
    Inception V4
    SE-ResNext 50
    SE-ResNext 101
    8 models
    trained in
    the 1st stage
    Psuedo Label
    (soft)
    Special
    Pseudo label
    Averaging the provided
    labels with the predicted
    labels from stage1 models
    SE-ResNext 50
    ( 2 seeds, Huber loss, GeM Pooling )
    SE-ResNext 101
    ( 2 seeds, Huber loss, GeM Pooling )
    Inception V4
    ( 2 seeds, Huber loss, GeM Pooling )
    Inception ResNet V2
    ( 2 seeds, Huber loss, GeM Pooling )
    Blending
    QWK thresholds
    [0.7, 1.5, 2.5, 3.5]
    Public: 4 th
    Public LB 0.850
    Private: 1 st
    Private LB 0.936
    Predict
     多彩な data augmentation による汎化性能の向上
     2 seeds × 4 models による 8 model ensemble
     損失関数は Huber Loss（Smooth L1 Loss）を使用
     Psuedo Labeling
    https://www.kaggle.com/c/aptos2019-blindness-detection/discussion/108065
    

    View Slide

19. 2nd place solution Public: 7 th
    Public LB 0.848
    Private: 2 nd
    Private LB 0.934
    Remove
    black
    background
    456
    456
    460
    460
    300
    300
    EfficientNet B3
    ( 80 epochs )
    EfficientNet B4
    EfficientNet B5
    ( 15 epochs )
    • Blur
    • Flip
    • Random Brightness
    • Random Contrast
    • Shift
    • Scale
    • Rotate
    • Elastic Transform
    • Transpose
    • Grid Distortion
    • Hue Saturation
    • CLAHE
    • Coarse Dropout
    Augmentation Stage 1 Training
    EfficientNet B3
    ( 50 epochs )
    EfficientNet B4
    EfficientNet B5
    ( 15 epochs )
    Stage 2 Training
    Preprocessing
    APTOS DRD 2015 Test
    Preprocessing
    TTA with flip
    Predict
    Simple
    Blending
    Epoch ensemble
    (Public)
    EfficientNets
    trained in
    the 1st stage
    EfficientNet
    B3
    EfficientNet
    B4
    EfficientNet
    B5
    (Private)
    Iterative
    (Loop)
    Psuedo
    Label
    Iterative
    (Loop)
    Psuedo
    Label
     3 種類の画像サイズ違いによる feature map の多様性
     多彩な data augmentation による汎化性能の向上
     Pusedo Labeling の繰り返し
    https://www.kaggle.com/c/aptos2019-blindness-detection/discussion/107926
    

    View Slide

20. 4th place solution Public: 16 th
    Public LB 0.842
    Private: 4 th
    Private LB 0.934
    • Rotation
    • Contrast
    • Brightness
    • Cutout
    • RandomCrop
    • CLAHE
    • Dihedral Group
    • PerspectiveTransform
    (3D projection)
    Augmentation
    APTOS DRD 2015 Test
    Remove
    black
    background
    Preprocessing
    https://www.kaggle.com/c/aptos2019-blindness-detection/discussion/107987
    type 0
    type 1
    type 2
    Type 2 transformation
    • type 0 => type 2
    • type 1 => type 2
    • type 2 (as it is)
    320
    256
    240
    224
    Resize
    EfficientNet B7
    ( size: 224 x 224 )
    EfficientNet B6
    ( size: 240 x 240 )
    EfficientNet B5
    ( size: 256 x 256 )
    EfficientNet B4
    ( size: 320 x 320 )
    EfficientNet B7
    ( Ben's, size: 224 x 224 )
    EfficientNet B5
    ( Ben's, size: 256 x 256 )
    EfficientNet B7
    ( size: 224 x 224 )
    EfficientNet B6
    ( size: 240 x 240 )
    EfficientNet B5
    ( size: 256 x 256 )
    EfficientNet B4
    ( size: 320 x 320 )
    Stage 1 Training Stage 2 Training
    224 256
    Ben's processing
    (DRD 2015 winning solution)
    EfficientNet B7
    ( Ben's, size: 224 x 224 )
    EfficientNet B5
    ( Ben's, size: 256 x 256 )
    Resize
    trained for 25 epochs
    on DRD 2015 w/o validation
    trained w/ validation
    5 folds CV on only APTOS
    Ben's
    Processing
    Ben's
    Processing
    TTA with
    Dihedral
    (8 times)
    Preprocessing
    Simple
    Blending
    Predict
    Predict
     均一化された前処理（Type 2 transformation）
     過学習を防ぐための画像サイズとモデルの対応関係
    （複雑なモデルほど，入力画像の解像度が低い）
     Psuedo Labeling
    

    View Slide

21. 腎臓の糸球体組織の segmentation task
    （https://www.kaggle.com/c/hubmap-kidney-segmentation/overview/description）
    開催元： HuBMAP，Indiana Univ，Google など
    開催期間： Nov 17, 2020 - Feb 2, 2021
    データサイズ： 13枚の巨大画像（30,000 x 30,000 等）
    コードコンペ： 推論は Kaggle Kernel 上でコード実行（<= GPU 9h）
    開催中の医療画像系コンペ （2020.12.07 現在）
    

    View Slide