1. 赛题分析
1.1 赛题任务
利用图像算法提取电子显微镜下的细胞边界。
1.2 数据介绍
训练数据为20张分辨率为9958x9959的电子显微镜下拍摄的图片，以及相应的标签图，如图1所示：
1.3 挑战及难点
- 对于大图如何进行训练及预测
- 细胞边界占图像很少一部分，如何解决类别极度不均衡问题
2. 解决方案
2.1 方案创新点
- 有重叠滑动窗口固定大小裁剪，解决大图训练预测难点
- 动态加权二元交叉熵，缓解类别极度不均衡问题
- 引入生成对抗网络，提升标签图的生成质量
2.2 方案介绍
2.2.1 有重叠滑动窗口固定大小裁剪
1）训练：训练时对训练图片及相应的标签图进行大小为512x512，重叠度为128x128的离线滑动窗口裁剪，获得1620张512x512的训练样本。
2）测试：测试时对测试图进行相同大小和重叠度的在线滑动窗口裁剪，将滑动窗口预测概率分布加权拼接获得整张图的概率分布结果，在通道上取argmax，获得整图预测结果。
2.2.2 网络结构
网络采用UNet++，判别网络采用VGG结构。
2.2.3 动态加权二元交叉熵
统计一个批次中每个类别所占的比例，细胞边界为a，则非细胞边界为(1-a)，具体计算公式如下所示：
2.2.4 训练策略
训练中采用多尺度训练，训练主要分为以下两个部分：
1）首先仅采用动态加权二元交叉熵对模型进行优化，获得初始模型
2）引入对抗损失，对初始模型进行继续优化，获得最终模型
2.2.5 预测策略
预测采用多尺度、翻转、旋转、镜像预测，采用均值处理融合预测结果，获得最终的预测图。结果示例如图2所示：
3. 比赛结果
使用此方案最终取得初赛17/388，决赛7/388。