近期，由Kaggle主辦，Leica Microsystems和NVIDIA贊助的HPAIC（Human Protein Atlas Image Classification）競(jìng)賽正式結(jié)束。比賽為期三個(gè)月，共有來(lái)自全球的2236個(gè)隊(duì)伍參加，極鏈AI研究院與工程院最終獲得挑戰(zhàn)賽金牌。

比賽介紹

蛋白質(zhì)是人體細(xì)胞中的“行動(dòng)者”，執(zhí)行許多共同促進(jìn)生命的功能。蛋白質(zhì)的分類(lèi)僅限于一種或幾種細(xì)胞類(lèi)型中的單一模式，但是為了完全理解人類(lèi)細(xì)胞的復(fù)雜性，模型必須在一系列不同的人類(lèi)細(xì)胞中對(duì)混合模式進(jìn)行分類(lèi)。

可視化細(xì)胞中蛋白質(zhì)的圖像通常用于生物醫(yī)學(xué)研究，這些細(xì)胞可以成為下一個(gè)醫(yī)學(xué)突破的關(guān)鍵。然而，由于高通量顯微鏡的進(jìn)步，這些圖像的生成速度遠(yuǎn)遠(yuǎn)超過(guò)人工評(píng)估的速度。因此，對(duì)于自動(dòng)化生物醫(yī)學(xué)圖像分析以加速對(duì)人類(lèi)細(xì)胞和疾病的理解，需要比以往更大的需求。

雖然這是生物學(xué)方面的競(jìng)賽，但是其本質(zhì)是機(jī)器視覺(jué)方向的圖像多標(biāo)簽分類(lèi)問(wèn)題，參賽隊(duì)伍也包括許多機(jī)器視覺(jué)和機(jī)器學(xué)習(xí)領(lǐng)域的競(jìng)賽專(zhuān)家。

數(shù)據(jù)分析

官方給我們提供了兩種類(lèi)型的數(shù)據(jù)集，一部分是512x512的png圖像，一部分是2048x2048或3072x3072的TIFF圖像，數(shù)據(jù)集大概 268G, 其中訓(xùn)練集：31072 x 4張，測(cè)試集：11702 x 4張。

一個(gè)蛋白質(zhì)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(gè)通道合并成3通道（RYB）可視化的圖像如下所示：

在本次競(jìng)賽中一共有28個(gè)類(lèi)別，比如 Nucleoplasm、Nuclear membrane等，每個(gè)圖譜圖像都可以有一個(gè)或者多個(gè)標(biāo)簽。標(biāo)簽數(shù)量統(tǒng)計(jì)如下：

可以發(fā)現(xiàn)標(biāo)簽數(shù)量集中在1-3個(gè)，但是仍然會(huì)有圖像有5個(gè)標(biāo)簽，給比賽增加了一定的難度。

另一方面的難點(diǎn)是數(shù)據(jù)集中樣本數(shù)量很不均勻，圖像最多的類(lèi)別有12885張，而圖像最少的類(lèi)別只有11張圖像，這給競(jìng)賽造成很大的困難，樣本數(shù)量分布情況可以在圖中看出。

在比賽過(guò)程中逐步有參賽者發(fā)現(xiàn)官方的額外數(shù)據(jù)集HPAv18，并得到官方授權(quán)，這些數(shù)據(jù)集有105678張，很大程度的擴(kuò)大了樣本數(shù)量，同時(shí)給我們提供了很大的幫助。

環(huán)境資源

硬件方面我們使用了4塊NVIDIA TESLA P100顯卡，使用pytorch作為我們的模型訓(xùn)練框架。

圖像預(yù)處理

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(gè)染色圖像是一個(gè)RGB圖像，而不是官方的單通道圖像，而且RGB三個(gè)通道的值差別較大，我們對(duì)這些圖像做了預(yù)處理，對(duì)每個(gè)RGB圖像只取一個(gè)通道（r_out=r,g_out=g,b_out=b,y_out=b）,并將這些圖像縮放到512x512和1024x1024兩種尺度。

對(duì)于TIFF文件，我們用了一周的時(shí)間把這個(gè)數(shù)據(jù)集下載下來(lái)，然后將所有圖像縮放到1024x1024。

數(shù)據(jù)增廣

我們比賽中使用的增廣方式有Rotation, Flip 和 Shear三種；因?yàn)槲覀儾恢酪粡垐D像中的多個(gè)細(xì)胞之間是否有關(guān)聯(lián)關(guān)系，所以比賽中沒(méi)有使用隨機(jī)裁剪的增廣方式。

模型

我們最終使用的基礎(chǔ)模型有Inceptionv3，Inceptionv4以及Xception三種，比賽前期我們測(cè)試了VGG，ResNet，ResNext，SeNet，但是效果不是很好，因此比賽末期沒(méi)有再進(jìn)行進(jìn)一步測(cè)試。

我們使用了512，650和800三種尺度來(lái)增加網(wǎng)絡(luò)對(duì)圖像的理解，另外每個(gè)尺度進(jìn)行10折交叉驗(yàn)證，保證驗(yàn)證集的劃分對(duì)網(wǎng)絡(luò)整體的影響，以及用驗(yàn)證集來(lái)評(píng)估模型預(yù)測(cè)的好壞和選擇模型及其對(duì)應(yīng)的參數(shù)。不同模型交叉驗(yàn)證時(shí)使用不同的隨機(jī)種子劃分驗(yàn)證集和訓(xùn)練集，以盡可能多的學(xué)到不同的樣本組合。

Inceptionv3和Inceptionv4的512的結(jié)果不好（0.55+ public leaderboard 閾值0.15），因此沒(méi)有做交叉驗(yàn)證，只是用512尺度訓(xùn)練了基礎(chǔ)模型，并用在650和800的微調(diào)中。

模型修改：

1.第一層卷積的輸入通道數(shù)由3修改為4，保持其他卷積參數(shù)不變，從而使網(wǎng)絡(luò)應(yīng)對(duì)4通道輸入；

2.修改最后一的池化層為全局池化層，保證在多尺度時(shí)可以使用同一個(gè)網(wǎng)絡(luò)；

3.全局池化后增加一層128的全連接，然后接一層28的全連接。

訓(xùn)練

訓(xùn)練過(guò)程的參數(shù)如下：

loss: MultiLabelSoftMarginLoss

lr: 0.05(512,imagenet 預(yù)訓(xùn)練)，0.01(650和800，512預(yù)訓(xùn)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(jié)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

獨(dú)立閾值

為每一個(gè)類(lèi)別找到一個(gè)合適的閾值是一件很困難的事，但是多閾值是提升分?jǐn)?shù)的關(guān)鍵，對(duì)我來(lái)說(shuō)，大概可以提升0.005~0.008。 我們使用驗(yàn)證集來(lái)找閾值，我們訓(xùn)練單模型xception 512 ，驗(yàn)證集占13%。調(diào)整每一類(lèi)的閾值使得f1 score達(dá)到最優(yōu)，不過(guò)我們發(fā)現(xiàn)稀有類(lèi)別的閾值普遍很高，public lb會(huì)變差，因此我們只調(diào)整了驗(yàn)證集1000張以上的類(lèi)別，稀有類(lèi)別控制閾值為0.15 通過(guò)這種方法找到的閾值在其他模型或者集成的時(shí)候同樣有效。

測(cè)試

比賽結(jié)束以后我們將比賽中訓(xùn)練的模型重新提交查看private leaderboard成績(jī)，得到如下結(jié)果:

比賽過(guò)程中我們發(fā)現(xiàn)做了10 fold ensemble不一定比single fold好，因此我們?cè)谧罱K集成的時(shí)候部分模型只選擇了部分fold （根據(jù)loss選擇）。

檢索

我們使用檢索的方法（特征使用inceptionv4 800 的128維特征）查找test與hpa相似的圖片，使用余弦相似度進(jìn)行度量，我們發(fā)現(xiàn)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(jié)果進(jìn)行替換，分?jǐn)?shù)在public lb上提升0.01~0.015，不過(guò)在private LB中并沒(méi)有效果，官方在比賽過(guò)程中也說(shuō)明部分test圖像由于與HPA中部分圖像重合，不再進(jìn)行分?jǐn)?shù)計(jì)算。

集成

我們將inceptionv3 inceptionv4以及xception 800的10fold 模型的特征進(jìn)行concat（先進(jìn)行l(wèi)2），得到3840維的新特征，并在此基礎(chǔ)上設(shè)計(jì)了2層的全連接網(wǎng)絡(luò)進(jìn)行訓(xùn)練, 并做10 fold CV，訓(xùn)練過(guò)程中使用不容參數(shù)訓(xùn)練過(guò)程如圖所示，我們?nèi)×薼oss最低的參數(shù)。結(jié)果融合后private lb:0.55150 public lb:0.62791。

雖然上面方法在public lb上分?jǐn)?shù)較高，但是當(dāng)與其他模型結(jié)果融合時(shí)，public LB的分?jǐn)?shù)反而降了，因此我們降低了這個(gè)模型的權(quán)重。

最后的結(jié)果是通過(guò)加權(quán)融合的方式得到的，權(quán)重根據(jù)模型的public lb分?jǐn)?shù)設(shè)置， inceptionv4 800和inceptionv3 800的權(quán)重最高，xception 650 最低，同時(shí)也用到了inceptionv4、xception其他尺度的部分fold。