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�道一張圖像中的多個(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。