Federated learning and domain generalization in detecting periapical lesions
Periapıkal lezyon tespitinde federe öğrenme ve alan genellemesi
- Tez No: 884230
- Danışmanlar: PROF. DR. FIRAT HARDALAÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 67
Özet
Federe öğrenme, hassas verileri işleme kapasitesi, farklı merkezler arasında işbirliği yapabilme yeteneği ve hasta mahremiyetini koruyabilme gibi özellikleri nedeniyle tıbbi araştırmalarda önemli bir yöntem haline gelmiştir. Tez kapsamında, hasta verilerinin korunmasının önemli olduğu diş hekimliği alanında federe öğrenmenin uygulanmasına katkı sağlamak hedeflenmiştir. Çalışma, diş hastalıklarının tespitinde federe öğrenmenin yerel ve merkezi öğrenme modellerine kıyasla başarımını karşılaştırmaktadır. Çalışmada iki ana senaryoya odaklanılmıştır: birincisi, farklı merkezler arasında dengesiz veri dağılımını içeren ve diğeri, bir merkezin tanıttığı yeni sınıfları öğrenme yeteneğini değerlendiren sürekli öğrenme üzerine kurulmuştur. Çalışma kapsamında elde edilen bulgular, özellikle merkezi öğrenmenin mümkün olmadığı gizlilik veya lojistik sorunların baş gösterdiği ortamlarda federe öğrenmenin umut verici bir yaklaşım olabileceğini göstermektedir. Sürekli öğrenme senaryosundaki sonuçlar özellikle olumlu olup, federe öğrenmenin yeni bilgilere adapte olma ve önceki bilgileri koruma yeteneğini göstermektedir. Bu yetenek, verilerin sürekli olarak güncellendiği sağlık hizmetleri gibi dinamik alanlarda kritik öneme sahiptir. Federe öğrenme, sadece sağlık hizmetlerindeki gizlilik gereksinimlerini karşılamakla kalmamakta, aynı zamanda modelin öğrenmesini çeşitli veri setlerini kullanarak geliştirmeyi mümkün kılmaktadır. Sürekli öğrenme senaryosundaki umut verici sonuçlar, federe öğrenmenin tıbbi teşhislerde sürekli öğrenme süreçlerini destekleme potansiyeline işaret etmektedir. Tezin sonuçları, federe öğrenmenin, veri gizliliğinden ödün vermeden çoklu merkezlerden veri kullanarak diş hastalıklarının tespitini geliştirebileceğini göstermektedir.
Özet (Çeviri)
Federated learning has become an important method in medical research due to its ability to handle sensitive data while enabling collaboration across different centers, all while ensuring patient privacy. This thesis addresses a notable gap in applying federated learning specifically to dentistry, a field where safeguarding sensitive patient data is crucial. The study compares the effectiveness of federated learning with local and central learning models in the detection of dental diseases. It focuses on two main scenarios: one involves imbalanced data distribution across different centers, and the other centers on continual learning, assessing how well the model can learn new classes introduced by a single center without forgetting previously acquired knowledge. The findings from this research suggest that federated learning could be a promising approach, especially in contexts where central learning may not be feasible due to privacy or logistical issues. The results are particularly positive in the continual learning scenario, indicating that federated learning is capable of adapting to new information while maintaining previously learned data. This ability is crucial in healthcare, where ongoing updates and adaptations in learning are necessary. Federated learning not only meets the strict privacy requirements of healthcare but also improves the model's learning through exposure to a diverse dataset. The encouraging results in the continual learning scenario underscore the potential of federated learning to support continuous learning processes in medical diagnostics. The outcomes of this thesis show that federated learning can enhance dental disease detection by utilizing data from multiple centers without compromising data privacy.
Benzer Tezler
- Attack detection in IoT systems using metaheuristic-enhanced quantum and classical machine learning techniques
Metasezgisel yöntemlerle geliştirilmiş kuantum ve klasik makine öğrenme teknikleri kullanılarak IoT sistemlerinde saldırı tespiti
MUHAMMED FURKAN GÜL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİT BAKIR
- Comparative study of privacy-preserving techniques in federated learning
Federasyonel öğrenimde gizliliği koruyan tekniklerin karşılaştırmalı çalışması
NESRINE BEN TAMAGOULT DIT MONGAR
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
Assoc. Prof. OKAN YAŞAR
- RPL tabanlı lot ağlarında saldırı tespiti ve sınıflandırılması
Attack detection and classification in RPL-based iot networks
AHMET NAİL TAŞTAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gelişim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN GÖNEN
DR. ÖĞR. ÜYESİ GÖKÇE KARACAYILMAZ
- 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
- Data analysis with distributed machine learning methods in smart city applications
Akıllı şehir uygulamalarında dağıtık makine öğrenmesi yöntemleriyle veri analizi
NAWAF ABDULLA
Doktora
İngilizce
2024
Yönetim Bilişim SistemleriGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MEHMET DEMİRCİ
PROF. DR. SUAT ÖZDEMİR