HPAIC人類蛋白質圖譜分類挑戰賽金牌經驗分享

雷鋒網按：本文由極鏈AI研究院投稿。

近期，由Kaggle主辦，Leica Microsystems和NVIDIA贊助的HPAIC（Human Protein Atlas Image Classification）競賽正式結束。比賽為期三個月，共有來自全球的2236個隊伍參加，極鏈AI研究院與工程院最終獲得挑戰賽金牌。

蛋白質是人體細胞中的「行動者」，執行許多共同促進生命的功能。蛋白質的分類僅限於一種或幾種細胞類型中的單一模式，但是為了完全理解人類細胞的複雜性，模型必須在一系列不同的人類細胞中對混合模式進行分類。

可視化細胞中蛋白質的圖像通常用於生物醫學研究，這些細胞可以成為下一個醫學突破的關鍵。然而，由於高通量顯微鏡的進步，這些圖像的生成速度遠遠超過人工評估的速度。因此，對於自動化生物醫學圖像分析以加速對人類細胞和疾病的理解，需要比以往更大的需求。

雖然這是生物學方面的競賽，但是其本質是機器視覺方向的圖像多標籤分類問題，參賽隊伍也包括許多機器視覺和機器學習領域的競賽專家。

數據分析

官方給我們提供了兩種類型的數據集，一部分是512x512的png圖像，一部分是2048x2048或3072x3072的TIFF圖像，數據集大概 268G, 其中訓練集：31072 x 4張，測試集：11702 x 4張。

一個蛋白質圖譜由4種染色方式組成(red，green，blue，yellow)，圖像示例如下：

我們將4個通道合併成3通道（RYB）可視化的圖像如下所示：

在本次競賽中一共有28個類別，比如 Nucleoplasm、Nuclear membrane等，每個圖譜圖像都可以有一個或者多個標籤。標籤數量統計如下：

可以發現標籤數量集中在1-3個，但是仍然會有圖像有5個標籤，給比賽增加了一定的難度。

另一方面的難點是數據集中樣本數量很不均勻，圖像最多的類別有12885張，而圖像最少的類別只有11張圖像，這給競賽造成很大的困難，樣本數量分布情況可以在圖中看出。

在比賽過程中逐步有參賽者發現官方的額外數據集HPAv18，並得到官方授權，這些數據集有105678張，很大程度的擴大了樣本數量，同時給我們提供了很大的幫助。

硬體方面我們使用了4塊NVIDIA TESLA P100顯卡，使用pytorch作為我們的模型訓練框架。

HPAv18 圖像與官方給出的圖像有一定的差別，雖然也是由4中染色方式組成，但是每個染色圖像是一個RGB圖像，而不是官方的單通道圖像，而且RGB三個通道的值差別較大，我們對這些圖像做了預處理，對每個RGB圖像只取一個通道（r_out=r,g_out=g,b_out=b,y_out=b）,並將這些圖像縮放到512x512和1024x1024兩種尺度。

對於TIFF文件，我們用了一周的時間把這個數據集下載下來，然後將所有圖像縮放到1024x1024。

我們比賽中使用的增廣方式有Rotation, Flip 和 Shear三種；因為我們不知道一張圖像中的多個細胞之間是否有關聯關係，所以比賽中沒有使用隨機裁剪的增廣方式。

我們最終使用的基礎模型有Inceptionv3，Inceptionv4以及Xception三種，比賽前期我們測試了VGG，ResNet，ResNext，SeNet，但是效果不是很好，因此比賽末期沒有再進行進一步測試。

我們使用了512，650和800三種尺度來增加網路對圖像的理解，另外每個尺度進行10折交叉驗證，保證驗證集的劃分對網路整體的影響，以及用驗證集來評估模型預測的好壞和選擇模型及其對應的參數。不同模型交叉驗證時使用不同的隨機種子劃分驗證集和訓練集，以儘可能多的學到不同的樣本組合。

Inceptionv3和Inceptionv4的512的結果不好（0.55+ public leaderboard 閾值0.15），因此沒有做交叉驗證，只是用512尺度訓練了基礎模型，並用在650和800的微調中。

模型修改：

1.第一層卷積的輸入通道數由3修改為4，保持其他卷積參數不變，從而使網路應對4通道輸入；

2.修改最後一的池化層為全局池化層，保證在多尺度時可以使用同一個網路；

3.全局池化後增加一層128的全連接，然後接一層28的全連接。

訓練過程的參數如下：

loss: MultiLabelSoftMarginLoss

lr: 0.05(512,imagenet 預訓練)，0.01(650和800，512預訓練);

lrscheduler: steplr(gamma=0.1,step=6)

optimizer: SGD (adam,rms not well)

epochs: 25, 600和800一般在12-20直接提前結束，取loss最低的模型

10 folds CV

sampling weights：[1.0, 5.97, 2.89, 5.75, 4.64, 4.27, 5.46, 3.2, 14.48, 14.84, 15.14, 6.92, 6.86, 8.12, 6.32, 19.24, 8.48, 11.93, 7.32, 5.48, 11.99, 2.39, 6.3, 3.0, 12.06, 1.0, 10.39, 16.5]

scale：512，600，800

為每一個類別找到一個合適的閾值是一件很困難的事，但是多閾值是提升分數的關鍵，對我來說，大概可以提升0.005~0.008。 我們使用驗證集來找閾值，我們訓練單模型xception 512 ，驗證集佔13%。調整每一類的閾值使得f1 score達到最優，不過我們發現稀有類別的閾值普遍很高，public lb會變差，因此我們只調整了驗證集1000張以上的類別，稀有類別控制閾值為0.15 通過這種方法找到的閾值在其他模型或者集成的時候同樣有效。

比賽結束以後我們將比賽中訓練的模型重新提交查看private leaderboard成績，得到如下結果:

比賽過程中我們發現做了10 fold ensemble不一定比single fold好，因此我們在最終集成的時候部分模型只選擇了部分fold （根據loss選擇）。

我們使用檢索的方法（特徵使用inceptionv4 800 的128維特徵）查找test與hpa相似的圖片，使用餘弦相似度進行度量，我們發現了許多相似的甚至相同的圖片，直接使用相似度最高的300張圖片的結果進行替換，分數在public lb上提升0.01~0.015，不過在private LB中並沒有效果，官方在比賽過程中也說明部分test圖像由於與HPA中部分圖像重合，不再進行分數計算。

我們將inceptionv3 inceptionv4以及xception 800的10fold 模型的特徵進行concat（先進行l2），得到3840維的新特徵，並在此基礎上設計了2層的全連接網路進行訓練, 並做10 fold CV，訓練過程中使用不容參數訓練過程如圖所示，我們取了loss最低的參數。結果融合後private lb:0.55150 public lb:0.62791。

雖然上面方法在public lb上分數較高，但是當與其他模型結果融合時，public LB的分數反而降了，因此我們降低了這個模型的權重。

最後的結果是通過加權融合的方式得到的，權重根據模型的public lb分數設置， inceptionv4 800和inceptionv3 800的權重最高，xception 650 最低，同時也用到了inceptionv4、xception其他尺度的部分fold。

雷鋒網按：比賽地址、solution

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！