第三次赛事培训: git与平台使用及赛题讲解

Git与平台介绍

• Git是目前世界上最流行的分布式版本控制系统。 版本控制是一种随着时间保存更改而不覆盖之前版本的方法；分布式意味着每个使用 Git 仓库的开发者都拥有整个仓库的副本——每一次提交、每个分支、每一个文件。
• 在本次比赛中，我们不仅将 Git 作为代码托管工具，更将其作为全自动评分流水线的核心：委员会通过“示例代码仓库”分发示例代码与实验数据，同时每一组选手都拥有专属的 GitLab 仓库。当执行 git push 将代码推送到远程仓库后，可以手动运行 CI（持续集成），然后评分脚本会自动运行你的代码，并在评分完成后将结果同步至得分排行榜。

赛题与示例代码

赛题：

本项挑战赛专注于医学影像的自动分割技术，旨在通过深度学习算法实现对多模态医学图像（CT和MRI）中器官的精确分割。参赛者需要设计出具有强跨模态泛化能力的分割模型。
挑战赛提供的数据集包含完整CT和MRI图像，部分伴随器官分割标签。数据采用严格的编号和命名规范：
训练集 (Training Set)：

• 0 至 500 号：对应 CT 影像数据。
• 大于 500 号：对应 MRI 影像数据。
• 带 “-nolabel” 后缀：可选的无标签增广数据，供半监督学习等策略使用。

测试集 (Test Set)：

• 采用混合模态设计，完全进行随机化处理。
• 不提供任何显式的模态标签，且文件命名随机或统一，执行盲测评估。

评分权重： 单 CT 模态评分占总成绩的 80%，混合模态评分占 20%。选手应以 CT 数据的训练为核心重点，同时兼顾跨模态鲁棒性。
评分细则：

1. 输入输出约束：推理脚本必须接受标准的 .nii.gz 格式路径作为输入。
2. 独立预测约束：每例样本的预测过程必须完全独立，严禁遍历整个测试集合反推整体分布。
3. 禁止硬编码：严禁通过文件名逻辑切换预测分支。

示例代码

1. 数据处理模块 (dataset.py)
   功能：负责读取原始医学数据（如 .nii.gz 文件），将其统一转化为深度学习框架所需的 Tensor 格式。支持数据批处理（DataLoader）与各类数据增强（Data Augmentation）策略。

2. 模型搭建模块 (net.py) 功能：搭建深度学习网络结构。

3. 模型训练模块 (train.py) 功能：搭建完整的训练框架。

4. 模型推理模块 (predict.py) 功能：执行测试集推理。 加载保存的预训练权重（如 unet.pth），对盲测的测试样本进行模态自动识别与预处理，输入模型完成前向传播。若采用 2D 切片策略，需在此阶段将 2D 输出重新拼接恢复为 3D 形状 [B, C, D, H, W]，最终生成标准格式的分割结果。

基本信息

• 主讲人: 唐裕胜、樊玉博
• 时间：5月16日14:30-16:30
• 宣讲与培训内容：
  1. git与平台使用教程
  2. 决赛赛题介绍
  3. 样例代码讲解

材料

• 回放与材料： 清华云盘
• 第二次赛事小作业： 修改示例代码并push，运行CI评分后得到大于1的分数。