郑德重， 杨媛媛， 谢 哲, 倪扬帆, 李文涛

(1. 中国科学院上海技术物理研究所 医学影像信息学实验室， 上海 200080；2. 中国科学院大学， 北京 100049； 3. 复旦大学附属肿瘤医院， 上海 200032)

近年来，深度学习技术在许多领域取得了巨大的成功，从计算机视觉、网络搜索、社交内容的协同过滤、电子商务的推荐系统，到消费产品中的图像识别、人脸识别等方面的应用都获得了显著提高.深度学习是一种多层次结构化的计算模型，可以从数据中学习多种不同层次的抽象表达[1].仅从数据中学习就可以获得数据不同抽象层次的特征表示，而不需要依赖于特定领域知识进行手工设计是深度学习技术进步的核心[2-3].在训练深度学习模型时，数据常常被划分成多块用于交叉验证，在模型开发中此过程是十分常见又重要的一个环节，因为交叉验证通常可以保证其良好的泛化性能.但对中等规模的数据而言，在进行交叉验证时，划分出来用于测试和验证的子集质量会在一定程度上对神经网络的训练产生一定影响，不良地数据划分会导致所获得的模型不准确，并有可能在交叉验证过程中产生较大的偏差[4-5].小样本数据更是如此，这种规模的数据较难满足统计意义上的普适性和一般随机性.例如，随着人为数据采集的方式和习惯的变化，采集来的数据可能包含着随时间变化的趋势和倾向性特点.因此在使用有限数据时，数据的统计规律是可变的.当数据规模……