本文来源公众号“Coggle数据科学”，仅用于学术分享，侵权删，干货满满。

原文链接：https://mp.weixin.qq.com/s/DVqZtIEe1q1OC7eXTluiPg

• 赛题名称：RSNA Intracranial Aneurysm Detection

• 赛题类型：3D 计算机视觉

• 赛题任务：检测是否存在颅内动脉瘤，并精确定位其位置。

https://www.kaggle.com/competitions/rsna-intracranial-aneurysm-detection/overview

赛题背景

颅内动脉瘤，俗称“脑动脉瘤”，是大脑动脉血管壁上出现的异常膨出。它就像血管上的一个“小气球”，在未破裂时通常没有症状，但一旦破裂，会导致颅内出血，致死率和致残率极高。

全球约3%的人口患有颅内动脉瘤。令人担忧的是，其中高达50%的动脉瘤是在破裂后才被诊断出来的，这往往为时已晚。每年全球约有50万人因其死亡，且近半数受害者年龄在50岁以下。

虽然经验丰富的放射科医生能够通过脑部影像（如CTA、MRA、MRI）检测出动脉瘤，但在日常繁忙的诊疗中，尤其是在因其他原因进行影像检查时，动脉瘤很容易被忽略。

本次由RSNA（北美放射学会） 联合多个国际神经放射学权威机构主办的竞赛，旨在利用人工智能技术，开发能够快速、准确地在常规脑部影像中自动检测动脉瘤的模型。这有望实现早期诊断和干预，从而拯救无数生命。

赛题任务

构建一个机器学习模型，利用多模态医学影像数据，检测是否存在颅内动脉瘤，并精确定位其位置。

1. 检测存在性：判断给定的影像研究中是否包含动脉瘤。

2. 精确定位：如果存在动脉瘤，需要预测它位于以下哪个（或哪些）具体的血管解剖部位。

赛题数据集

包含了数千个由专家精心整理的脑部医学影像序列，这些影像来自多种不同的成像模式。每个序列都已被标注，指示在十三个可能的血管位置之一是否存在动脉瘤。

1. train.csv （主要训练标签文件）：每一行对应一个独立的影像序列。除了唯一标识符和基本信息外，它还包含了动脉瘤是否存在以及其具体位置的标签。

2. train_localizers.csv （动脉瘤定位数据）：训练集中动脉瘤更精确的空间位置信息。注一个序列（Series）如果包含多个动脉瘤，则可能对应多行记录。

3. series/ 文件夹 （DICOM影像数据）：训练集的原始DICOM影像序列。

4. segmentations/ 文件夹 （血管分割数据）：DICOM序列所对应的血管分割图，以NifTI格式（.nii.gz）存储。

评价指标

本次竞赛采用一种加权的多标签ROC曲线下面积 进行评估。模型的预测目标不是一个，而是十四个相关的二分类标签：

• 其中一个标签是 Aneurysm Present （是否存在动脉瘤）。

• 另外十三个标签是具体的血管位置。

对于这十四个标签中的每一个，独立计算其AUC ROC 分数。AUC ROC是衡量模型区分正负样本能力的强大指标，值越接近1越好。计算最终得分时，不是简单地将十四个AUC分数平均。

优胜方案

第1名

> https://www.kaggle.com/competitions/rsna-intracranial-aneurysm-detection/writeups/1st-place-solution
> Training code: https://github.com/uchiyama33/rsna2025_1st_place
> Submission notebook: https://www.kaggle.com/code/tomoon33/rsna2025-submission-1st-place

核心思想非常清晰：不要在整个脑部影像中盲目地寻找小动脉瘤，而是先找到血管，再在血管上找动脉瘤。 这模仿了放射科医生的阅读逻辑，并利用了动脉瘤是血管壁病变这一先验知识。

1. 阶段一（血管分割与ROI提取）：使用强大的分割模型精确勾勒出脑血管系统，并据此确定需要重点分析的区域。

2. 阶段二（ROI分类）：将注意力集中在血管区域，使用分类模型不仅判断有无动脉瘤，还精确预测其所在的13个具体解剖位置。

• 模型1（粗定位模型）：

  • 目的：快速、低分辨率地扫描整个脑部，找到血管的大致区域。

  • 策略：使用较大的体素间距（1.0mm），将血管分为3个大类（后循环+基底动脉 / 大脑中动脉 / 其他）。输出后通过DBSCAN聚类去除散在的假阳性，并以最大簇的中心点裁剪出一个大的候选区域（140mm立方体）。这大大提升了后续步骤的效率。

• 模型2 & 模型3（精细分割模型）：

  • 目的：在粗定位的ROI内，进行高分辨率、精确的血管分割。

  • 策略：使用更小的体素间距（约0.4-0.8mm）。

在训练时，让模型利用解码器特征去重建一个以动脉瘤标注点为中心的小球体。这强制模型学习动脉瘤本身的局部特征，而不仅仅是血管上下文。

• 血管区域掩码池化：对于13个位置标签中的每一个，使用对应的血管分割掩码（来自两个精细分割模型）在特征图上池化，提取出与该位置血管相关的特征向量。

• 位置感知Transformer：将这13个特征向量与一个全局特征向量拼接后，送入一个轻量级Transformer。这允许模型学习不同血管位置之间的关系（例如，前交通动脉的异常可能与大脑前动脉有关）。

• 独立MLP头：最终由独立的MLP为每个位置输出概率。

使用平衡BCE + Focal-Tversky++ 组合，专门处理极其稀疏的目标（小球体），并防止模型过度自信。辅助分割任务权重最高（1.0），分类任务权重较低（0.1和0.05）。

第2名

> https://www.kaggle.com/competitions/rsna-intracranial-aneurysm-detection/writeups/2nd-place-solution
> Training and inference code: https://github.com/PengchengShi1220/RSNA2025_Intracranial-Aneurysm-Detection
> Inference demo: https://www.kaggle.com/code/pengchengshi/bravecowcow-2nd-place-inference-demo

对于每个3D影像序列，在横断面、矢状面、冠状面三个轴向上，分别在其1/4、1/2和3/4位置各取一张2D切片。这样，每个序列仅用9张2D图像来代表。

在获得ROI后，方案使用一个强大的3D nnU-Net模型同时进行多项任务，通过任务间的协同效应提升最终分类性能。基于nnU-Net 3D架构，并添加了多个任务头：

1. 血管分割：分割出整个脑血管系统。

2. 动脉瘤分割：分割出动脉瘤区域。

3. 14分类头：预测13个位置和“动脉瘤存在”的主任务标签。

4. 模态分类头（创新点）：一个辅助任务头，用于预测图像的模态（CTA, MRA等）。这增强了模型的训练稳定性，迫使编码器学习与模态无关的通用特征。

对于正样本极少的类别，采用了过采样和在损失函数中赋予更高权重的策略，以平衡类别分布。此外并手动修正了官方标签中的一些错误，包括左右混淆、床突上/下颈内动脉位置错误等。这体现了高质量数据标注对于模型性能的至关重要。

第3名

> https://www.kaggle.com/competitions/rsna-intracranial-aneurysm-detection/writeups/3rd-place-solution
> Inference code: https://www.kaggle.com/code/tamotamo/rsna2025-3rd-place-inference

用了动脉瘤在轴向平面的XY坐标上相对一致的先验知识。将3D体积数据沿矢状面和冠状面方向分别进行最大强度投影，生成两张2D图像。使用YOLOv8（n和m型号）在这两张投影图上检测血管区域。该方法在验证集上取得了超过0.95的mAP@0.5，非常高效且准确。

在获得高质量的血管ROI后，团队训练3D分类模型来预测最终的14个标签。

• 主干网络：使用 3D ResNet-18（通过 timm-3d 库实现），结构简洁。

• 输入尺寸：探索了从128到224的不同输入尺寸，发现增大输入尺寸和特征图尺寸能直接提升分数（从0.77提升至0.81）。

• 分类头：在特征图的每个空间位置上都连接了一个14分类头，而不是对整个特征图做全局平均池化后再分类。

• 损失函数：使用加权的二元交叉熵损失来处理多标签分类和类别不平衡问题。

第4名

https://www.kaggle.com/competitions/rsna-intracranial-aneurysm-detection/writeups/4th-place-solution

第四名方案的核心思想是绕过复杂且耗时的3D分割，采用一个高效的回归模型来定位血管区域，然后使用一个先进的2D/2.5D分类模型在裁剪后的图像上进行端到端的分类。方案证明了，即使在时间紧迫的情况下，通过精妙的管道设计和模型选择，也能取得顶尖的成绩。

使用 DINOv3 ViT，这是一个在大量数据上预训练的、具有强大特征提取能力的视觉Transformer。从每个患者的3D体积中，等间距地抽取48张切片，形成一个 48x1x128x128 的输入体积。这相当于对3D信息进行了高度压缩的采样。

第5名

https://www.kaggle.com/competitions/rsna-intracranial-aneurysm-detection/writeups/5th-place-solution

将3D医学影像问题分解为一系列2D计算机视觉任务。通过目标检测来定位目标和减少背景干扰，然后使用强大的2D分类模型进行预测，最后通过集成和伪标签策略进一步提升性能。

1. 2.5D图像构建：为每张切片融合其相邻切片，以提供空间上下文。

2. 动脉瘤检测：使用YOLO模型在图像级别检测动脉瘤。

3. 大脑检测：使用YOLO模型裁剪掉无关背景（如肺部）。

4. 分类与分割模型：训练多个模型进行最终的分类预测。

5. 外部数据与数据清洗：利用外部数据和模型预测来清洗和扩充训练集。

6. 模型集成：融合多个模型的预测结果。

对于每一张中心切片，将其前一张和后一张切片作为通道进行堆叠，形成3通道的2.5D输入。这为模型提供了基本的空间连续性信息。在水平翻转图像的同时，同步交换所有左右对称的血管位置标签。这是一个简单但有效的策略，明确地教会了模型解剖学对称性，带来了约0.01的性能提升。

训练5折的 YOLOv11x 模型，区分 aneurysm (CTA, MRA, T1post) 和 aneurysm_mri_t2 (T2)。将每个序列的所有切片平均成一张图像，然后手动标注大脑区域，训练一个 YOLOv5n 模型进行检测。主任务是14分类，辅助任务是利用实验0生成的动脉瘤边界框作为掩码，进行分割。

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。