强化医学图像分类器以改善小数据集上的泛化能力

随着深度学习的出现，利用复杂判别模型改进图像分类成为可能。然而，此类复杂度增加的深度模型需要大量标注样本以泛化训练。由于训练数据有限（这是医学图像分析领域的常见问题），此类分类模型应用于医学图像时容易过拟合。本文提出并研究了一种强化分类器，以在少量可用训练数据下改善泛化能力。部分遵循强化学习的思想，所提出的分类器利用来自训练数据子集的泛化反馈来更新其参数，而非仅使用关于训练数据的常规交叉熵损失。我们通过将其应用于三个不同的分类问题，并与配备现有过拟合预防技术的标准深度分类器进行对比，评估了该分类器的改进效果。除了分类性能的整体提升外，该分类器还展现出显著的泛化学习特征，在医学分类任务中具有巨大潜力。