Geri Dön

Medikal verilerin sınıflandırılmasında federe öğrenme

Federated learning for medical data classification

  1. Tez No: 821020
  2. Yazar: BEYZA NUR AKŞİT
  3. Danışmanlar: PROF. DR. BAHRİYE AKAY, DOÇ. DR. ADAM SLOWIK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 71

Özet

Medikal alanda yapay zekâ ve derin öğrenme tekniklerinin kullanılması, hastalıkların daha hızlı ve doğru bir şekilde teşhis edilmesini ve tedavi süreçlerinin iyileştirilmesini sağlamaktadır. Medikal verilerin içerdikleri hassas bilgiler nedeniyle merkezi sunucuda toplanması ve depolanması, veri güvenliği risklerini beraberinde getirir. Bu nedenle, verilerin merkezi sunucuya gönderilmeden uç noktalarda kaldığı ve sadece güncellenmiş yerel model parametrelerinin merkezi sunucuya gönderildiği federe öğrenme yaklaşımları kullanılır. Bir federe öğrenme yaklaşımı olan FedAvg, federe öğrenme sürecine katılan tüm uç noktaların yerel model parametrelerinin ortalamasını alarak merkezi sunucudaki küresel modeli günceller. Ancak, tüm uç noktaların yerel model parametrelerini küresel model güncellemesinde kullanana bu yaklaşım küresel model performansında yavaş yakınsama ve düşük performans gibi durumları ortaya çıkarabilir. Bu tez çalışmasında, bu sınırlamaları ortadan kaldırmak için tüm uç noktalar yerine en yüksek yerel model test doğruluğuna sahip uç noktanın yerel model parametrelerini kullanarak küresel modeli güncelleyen FedBest yaklaşımı önerilmiştir. FedAvg ve FedBest yaklaşımları BloodMNIST, PathMNIST ve DermaMNIST veri setleri üzerinde yapılan deneylerle kıyaslanmıştır. Yapılan deneyler sonucunda, FedAvg'nin medikal sınıflandırmada başarılı olduğu, ancak FedBest yaklaşımının daha yüksek doğruluk oranları ve daha hızlı bir yakınsama sağladığı gözlemlenmiştir. Ayrıca, iletişim topolojilerinin federe öğrenme yaklaşımlarının performansına olan etkileri incelenmiştir.

Özet (Çeviri)

The use of artificial intelligence and deep learning techniques in the medical field yields faster and more accurate diagnosis of diseases and improvement of treatment processes. The collection and storage of medical data on a central server brings security issues because it contains private information. Therefore, federated learning approaches are used, where data remains at clients without being sent to the central server, and only updated local model parameters are sent to the central server. FedAvg, one of federated learning approaches, updates the global model on the central server by averaging the local model parameters of all clients involved in the federated learning process. However, this approach that exploits the local model parameters of all clients in the global model update may suffer from slow convergence and poor performance. To overcome these limitations, in this thesis, a FedBest approach is proposed, which updates the global model using the local model parameters of the client with the highest local model testing accuracy, instead of all clients. In the experiments, the FedAvg and FedBest approaches were compared on the medical BloodMNIST, PathMNIST, and DermaMNIST datasets. From the results, it was observed that FedAvg was successful in medical classification, but the FedBest approach provided higher accuracy rates and a faster convergence. In addition, the effect of communication topologies on the performance of federated learning approaches were examined.

Benzer Tezler

  1. Görüntü dönüştürücüler kullanılarak retina hastalıklarının tespiti için federe öğrenme

    Federated learning for retinal disease detection using vision transformers

    SAİD AKÇA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZEYNEP GARİP

    DOÇ. DR. EKİN EKİNCİ

  2. Derin pekiştirmeli öğrenme ile medikal video özetleme

    Medical video summarization with deep reinforcement learning

    ALİ ÇOBAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CEREN GÜZEL TURHAN

    DR. ÖĞR. ÜYESİ DUYGU SARIKAYA

  3. İnvolüsyonel sinir ağları ile hiperspektral verilerin analizi

    Analysis of hyperspectral data with involutional neural networks

    MÜCAHİT CİHAN

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT CEYLAN

  4. Derin öğrenme tekniklerinin biyomedikal imgeler üzerine uygulamaları

    Applications of deep learning techniques on biomedical images

    MEHMET EMRE SERTKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURHAN ERGEN

  5. Nöropatik olmayan mesane sfinkter disfonksiyonu

    Başlık çevirisi yok

    ZELİHA URAL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2001

    Çocuk CerrahisiEge Üniversitesi

    Çocuk Cerrahisi Ana Bilim Dalı

    DOÇ.DR. ALİ AVANOĞLU