Comparison of federated learning frameworks for medical image domain
Medikal görüntü alanı için federe öğrenme çerçevelerinin karşılaştırılması
- Tez No: 818592
- Danışmanlar: PROF. DR. ADİL ALPKOÇAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İZMİR BAKIRÇAY ÜNİVERSİTESİ
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 50
Özet
Tıbbi görüntüleme, hastalıkların teşhis ve tedavisinde kritik bir rol oynamakta olup, karmaşık ve heterojen verilerin büyük miktarlarını üretmektedir. Tıbbi görüntüleme verileri üzerinde makine öğrenimi modelleri eğitmek, veri karmaşıklığı, kıtlığı ve gizlilik düzenlemeleri gibi zorluklarla karşılaşmaktadır. Federated Learning (FL), gizliliği riske atmadan birden fazla cihaz veya veri merkezi üzerinde dağıtılmış verilerle modellerin eğitilmesini sağlayan bir dağıtık makine öğrenimi çözümü olarak ortaya çıkmıştır. Bu tezde, tıbbi görüntüleme alanında FL çerçevelerinin kapsamlı bir analizini sunmaktayım. MobileNetV2 CNN mimarisi ve göğüs röntgeni görüntülerinden oluşan bir veri kümesi kullanarak dört çerçevenin (FedML, FLARE, Flower ve OpenFL) performansını karşılaştırıyorum. Değerlendirme metrikleri arasında hassasiyet, geri çağırma, F1 puanı, doğruluk ve AUC-ROC bulunmaktadır. Sonuçlar, çerçevelerin sınıflandırma doğruluğunda farklılıklar olduğunu göstermektedir, FedML üstün performans sergilerken, onu FLARE ve Flower takip etmektedir. OpenFL ise daha düşük performans sergilemiştir. Bu bulgular, doğru FL çerçevesinin seçiminin doğru tıbbi görüntü sınıflandırması için önemini vurgulamaktadır. Çalışma, araştırmacılara ve uygulayıcılara bilgi sağlayarak çerçeve seçimine yardımcı olmakta ve tıbbi görüntü analizini geliştirmektedir. İleriki araştırmalar, gelişmiş sağlık teşhisleri için FL'yi ilerletmek için ek metrikler, mimariler ve veri setleri üzerinde çalışabilir.
Özet (Çeviri)
Medical imaging plays a crucial role in the diagnosis and treatment of diseases, generating large amounts of complex and heterogeneous data. Training machine learning models on medical imaging data faces challenges such as data complexity, scarcity, and privacy regulations. Federated Learning (FL) has emerged as a solution for distributed machine learning, allowing models to be trained on data distributed across multiple devices or data centers without compromising privacy. In this paper, we provide a comprehensive analysis of FL frameworks for the medical image domain. We compare the performance of four frameworks (FedML, FLARE, Flower, and OpenFL) using a dataset of chest X-ray images and the MobileNetV2 CNN architecture. Evaluation metrics include precision, recall, F1-score, accuracy, and AUC-ROC. The results indicate variations in the frameworks' classification accuracy, with FedML demonstrating superior performance, followed by FLARE and Flower. OpenFL exhibited lower performance. These findings emphasize the importance of selecting the appropriate FL framework for accurate medical image classification. The study contributes insights for researchers and practitioners, aiding in framework selection and improving medical image analysis. Further research can explore additional metrics, architectures, and datasets, advancing FL in the medical domain for enhanced healthcare diagnostics.
Benzer Tezler
- Comparison of the effects of data privacy preserving methods on machine learning algorithms in IoT
Nesnelerin internetinde veri gizliliğini koruma yöntemlerinin makine öğrenme algoritmalarına etkilerinin karşılaştırılması
TAJ ELDEEN SALEH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER KORÇAK
- FLAGS framework and decentralized federated learning under device volatility
FLAGS platformu ve cihaz dalgalanması durumunda merkeziyetsiz federe öğrenme
AHNAF HANNAN LODHI
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZNUR ÖZKASAP
YRD. DOÇ. DR. BARIŞ AKGÜN
- Cluster-based scoring for malicious model detection in federated learning
Federe öğrenmede zararlı modellerin tespiti için kümeleme tabanlı skorlama
CEM ÇAĞLAYAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ARDA YURDAKUL
- Privacy-preserving techniques and machine learning for critical systems
Kritik sistemler için mahremiyet koruyucu teknikler ve makine öğrenmesi
ZÜMRÜT MÜFTÜOĞLU
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- Wireless network intrusion detection and analysis using federated learning
Başlık çevirisi yok
BURAK ÇETİN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYoungstown State UniversityDR. ALİNA LAZAR