Federated MRI reconstruction with deep generative models
Derin üretken modeller ile federe MRG rekonstrüksiyonu
- Tez No: 828473
- Danışmanlar: DOÇ. DR. TOLGA ÇUKUR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 77
Özet
Çok kurumlu çabalar, görüntüleme verilerinin tesisler arası paylaşımı sırasında ortaya çıkan gizlilik risklerine rağmen derin MRG rekonstrüksiyon modellerinin eğitimini kolaylaştırabilir. Son zamanlarda gizlilik endişelerine yanıt olarak sunulan Federe Öğrenme (FÖ), görüntüleme verileri aktarılmaksızın dağıtık model eğitimini mümkün kılmaktadır. Mevcut FÖ yöntemleri, hızlandırılmış görüntüleme operatörünün açık bilgisini kullanarak, eksik örneklemeyle tam örnekleme arasında koşullu rekonstrüksiyon modellerini kullanır. Koşullu modeller, farklı hızlanma oranları veya örnekleme yoğunlukları arasında genelleme yapamadıklarından, görüntüleme operatörleri eğitim ve test arasında sabitlenmeli ve genellikle tesisler arasında eşleştirilmelidir. Hasta gizliliğini korumak, rekonstrüksiyon performansını ve çoklu tesis işbirliklerinde esnekliği arttırmak için, MRG rekonstrüksiyonunda üretken görüntü önselinin federe öğrenilmesi (FedGIMP) tanıtıyoruz. FedGIMP, iki aşamalı bir yaklaşım kullanır: üretken bir MRG önselinin tesisler arası öğrenmesi ve görüntüleme operatörünün enjekte edilmesinden sonra önsel uyarlaması. Global MRG önseli, latent değişkenlere dayalı koşulsuz bir çekişmeli modelle yüksek kaliteli MR görüntüleri sentezleyecek şekilde eğitilir. Yeni bir haritalayıcı alt ağı, önselde özgünlüğü korumak için tesise özgü latent değişkenler üretir. Çıkarım sırasında, önsel önce öznel örnekleme operatörleriyle birleştirilir ve rekonstrüksiyonu mümkün kılar, ardından veri tutarlılık kaybını en aza indirecek şekilde tekil çapraz kesitlere göre optimize edilir. Çoklu kurumsal veri kümelerinde yapılan kapsamlı deneyler, FedGIMP'in, koşullu modellere dayalı hem merkezi hem de FÖ yöntemlerine göre önemli ölçüde performansın artışı sağladığını göstermektedir.
Özet (Çeviri)
Multi-institutional efforts can facilitate training of deep MRI reconstruction models, albeit privacy risks arise during cross-site sharing of imaging data. Federated learning (FL) has recently been introduced to address privacy concerns by enabling distributed training without transfer of imaging data. Existing FL methods employ conditional reconstruction models to map from undersampled to fullysampled acquisitions via explicit knowledge of the accelerated imaging operator. Since conditional models generalize poorly across different acceleration rates or sampling densities, imaging operators must be fixed between training and testing, and they are typically matched across sites. To improve patient privacy, performance and flexibility in multi-site collaborations, here we introduce Federated learning of Generative IMage Priors (FedGIMP) for MRI reconstruction. FedGIMP leverages a two-stage approach: cross-site learning of a generative MRI prior, and prior adaptation following injection of the imaging operator. The global MRI prior is learned via an unconditional adversarial model that synthesizes high-quality MR images based on latent variables. A novel mapper subnetwork produces site-specific latents to maintain specificity in the prior. During inference, the prior is first combined with subject-specific imaging operators to enable reconstruction, and it is then adapted to individual cross-sections by minimizing a data-consistency loss. Comprehensive experiments on multi-institutional datasets clearly demonstrate enhanced performance of FedGIMP against both centralized and FL methods based on conditional models.
Benzer Tezler
- Beyin MR görüntülerinde gizlilik tabanlı yaklaşım : Federe öğrenme
Privacy-based approach to brain MRI: Federated learning
ŞEVKET AY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EKİN EKİNCİ
DR. ÖĞR. ÜYESİ ZEYNEP GARİP
- Federated anomaly detection for log-based defense systems
Log tabanlı savunma sistemleri için federe olağandışılık tespiti
UĞUR ÜNAL
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiYönetim Bilimleri Ana Bilim Dalı
PROF. DR. HASAN DAĞ
- Bağlı veri üzerinde dağıtık sorgulama optimizasyonu
Federated query optimization on linked data
ETHEM CEM ÖZKAN
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDOĞAN DOĞDU
- Federated learning for customer digital on-boarding
Federe öğrenme ile yeni müşteri kabulü
SÜMEYRA TERZİOĞLU
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ FUAT ALKAYA
- Federeated learning under attack: Exposing vulenrabilites through data poisoning attacks in computer networks
Saldırı altında federasyonu öğrenme: Bilgisayar ağlarındaki veri zehirlendirme saldırıları yoluyla hassasiyetleri açığa çıkarmak
IMRAN HAIDER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Ana Bilim Dalı
Dr. EHSAN NOWROOZİ