AnoMalNet: Outlier Detection based Malaria Cell Image Classification Method Leveraging Deep Autoencoder

要約

クラスの不均衡は、医療画像からの疾患分類の分野で広く見られる問題です。
適切な結果を得るには、モデルをトレーニングする際にクラス分布のバランスを取る必要があります。
ただし、希少な医学的疾患の場合、影響を受けている患者の画像は、影響を受けていない患者の画像に比べて入手がはるかに困難であるため、望ましくないクラスの不均衡が生じます。
階級不均衡問題に取り組むさまざまなプロセスがこれまで検討されてきましたが、それぞれに相応の欠点があります。
本研究では、クラス不均衡の最も極端なケースにも対応できる、外れ値検出ベースのバイナリ医用画像分類手法を提案します。
マラリアに寄生した細胞と未感染の細胞のデータセットを利用しました。
AnoMalNet というタイトルのオートエンコーダー モデルは、最初に非感染細胞画像のみを使用してトレーニングされ、その後、損失値を閾値処理することで影響を受けた細胞画像と影響を受けていない細胞画像の両方を分類するために使用されます。
精度、適合率、再現率、F1 スコアはそれぞれ 98.49%、97.07%、100%、98.52% を達成し、大規模な深層学習モデルやその他の公開された研究よりも優れたパフォーマンスを発揮しました。
私たちが提案したアプローチは、トレーニング中に疾患陽性サンプルを必要とせずに競合する結果を提供できるため、不均衡なデータセットでのバイナリ疾患分類に役立つことが証明されるはずです。

要約(オリジナル)

Class imbalance is a pervasive issue in the field of disease classification from medical images. It is necessary to balance out the class distribution while training a model for decent results. However, in the case of rare medical diseases, images from affected patients are much harder to come by compared to images from non-affected patients, resulting in unwanted class imbalance. Various processes of tackling class imbalance issues have been explored so far, each having its fair share of drawbacks. In this research, we propose an outlier detection based binary medical image classification technique which can handle even the most extreme case of class imbalance. We have utilized a dataset of malaria parasitized and uninfected cells. An autoencoder model titled AnoMalNet is trained with only the uninfected cell images at the beginning and then used to classify both the affected and non-affected cell images by thresholding a loss value. We have achieved an accuracy, precision, recall, and F1 score of 98.49%, 97.07%, 100%, and 98.52% respectively, performing better than large deep learning models and other published works. As our proposed approach can provide competitive results without needing the disease-positive samples during training, it should prove to be useful in binary disease classification on imbalanced datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google