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 learning and domain generalization in detecting periapical lesions
Periapıkal lezyon tespitinde federe öğrenme ve alan genellemesi
ÜLKÜ TUNCER KÜÇÜKTAŞ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
- Privacy and security enhancements of federated learning
Federe öğrenme uygulamalarında mahremiyet ve güvenlik geliştirmeleri
ŞÜKRÜ ERDAL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
DR. FERHAT KARAKOÇ
- Analyzing the impact of differential privacy on model convergence with federated learning
Federasyonlu öğrenme ile farklılaştırılmış gizliliğin model yakınsaması üzerindeki etkisinin analizi
MOHAMAD BELAL ALKASSAB
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ECE GELAL SOYAK
- Federated learning for credit card fraud detection: A privacy-preserving approach with controlled noise integration
Kredi kartı dolandırıcılığı tespiti için federated learning: Kontrollü gürültü entegrasyonu ile gizlilik koruyucu yaklaşım
RUSUL MAHDI ABDULHADI AL MAQADAS
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT SARAN