基于深度强化学习的图像分类仅用30张训练图像即对MRI脑肿瘤达到完美测试集准确率
计算机视觉与模式识别
2021-03-22 v2 人工智能
摘要
目的：图像分类可能是影像人工智能中的基础任务。我们近期已表明，即使训练集极小，强化学习也能在病灶定位与分割上达到高准确率。此处我们引入用于图像分类的强化学习。具体地，我们将该方法应用于正常与含肿瘤2D MRI脑图像。材料与方法：我们应用多步图像分类以结合深度Q学习与TD(0) Q学习。我们在30张图像（15张正常、15张含肿瘤）上训练，在独立的30张图像（15张正常、15张含肿瘤）上测试。为比较，我们也在相同训练与测试图像上训练并测试了一个有监督深度学习分类网络。结果：有监督方法迅速过拟合训练数据，如预期在测试集上表现差（57%准确率，仅略高于随机猜测），而强化学习方法达到100%准确率。结论：我们展示了强化学习用于脑肿瘤分类的原理验证应用。仅用30张训练图像即达到完美测试集准确率。
引用
@article{arxiv.2102.02895,
title = {Deep reinforcement learning-based image classification achieves perfect testing set accuracy for MRI brain tumors with a training set of only 30 images},
author = {Joseph Stember and Hrithwik Shalu},
journal= {arXiv preprint arXiv:2102.02895},
year = {2021}
}