Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Kaggle APTOS 2019 @ U-Tokyo Med

Maxwell
December 07, 2020

Kaggle APTOS 2019 @ U-Tokyo Med

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

Updated: Jul. 2022

Maxwell

December 07, 2020
Tweet

More Decks by Maxwell

Other Decks in Science

Transcript

  1. 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
  2.  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
  3. 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
  4. 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
  5.  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
  6. 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
  7. 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)
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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)