AnoMalNet：基于离群点检测并利用深度自编码器的疟疾细胞图像分类方法

类不平衡是从医学图像进行疾病分类领域中的普遍问题。为获得良好结果，训练模型时有必要平衡类分布。然而，在罕见医学疾病的情况下，来自患病患者的图像远比来自未患病患者的图像难以获取，导致不期望的类不平衡。迄今为止已探索了多种处理类不平衡问题的方法，各有其缺陷。在本研究中，我们提出一种基于离群点检测的二分类医学图像分类技术，其可处理即便是最极端的类不平衡情况。我们使用了一个疟疾寄生与未感染细胞的数据集。一个名为AnoMalNet的自编码器模型起初仅用未感染细胞图像训练，随后通过对损失值设阈值为受感染与未受感染细胞图像分类。我们分别取得了98.49%、97.07%、100%和98.52%的准确率、精确率、召回率和F1分数，优于大型深度学习模型及其他已发表工作。由于我们提出的方法在训练时无需疾病阳性样本即可提供有竞争力的结果，它应在不平衡数据集上的二分类疾病分类中证明有用。