The utilisation of federated learning in the classification of magnetic resonance images
Manyetik rezonans görüntülerinin sınıflandırılmasında federasyonlu öğrenmenin kullanımı
- Tez No: 976055
- Danışmanlar: DR. ÖĞR. ÜYESİ ERKUT TEKELİ, PROF. DR. TURGAY İBRİKÇİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Karaciğer tümörlerinin erken ve doğru tanısı, hasta sonuçlarını iyileştirmek ve uygun tedavi stratejilerini belirlemek açısından çok önemli bir rol oynamaktadır. Son yıllarda, makine öğrenimi teknikleri, özellikle derin öğrenme, tıbbi görüntü analizinde tanı doğruluğunu artırmada önemli bir potansiyel göstermektedir. Ancak, veri gizliliği ve güvenliği gibi zorluklar, merkezi tıbbi veri setlerini kullanarak derin öğrenme modellerinin eğitilmesinde önemli engeller oluşturmuştur. Federated Learning (FL), hasta verilerini paylaşmadan, farklı kurumlar arasında ortak model eğitimi yapılmasına olanak sağlayan umut verici bir çözüm olarak ortaya çıkmıştır. Bu çalışma, Karaciğer tümörü sınıflandırması için Magnetic Resonance Imaging taramaları kullanarak Federated Learning'in yeni bir uygulamasını sunmaktadır. Önerilen model, FL çerçevesi içinde EfficientNetB0 mimarisini kullanmaktadır. FL modelinin performansı, CNN, EfficientNet, MobileNetV3, ResNet50 ve VGG16 gibi geleneksel derin öğrenme mimarileriyle karşılaştırılmıştır. Deneysel sonuçlar, FL tabanlı EfficientNetB0 modelinin, %93,75 doğruluk, %99,71 hassasiyet, %87,79 duyarlılık, %93,37 F1 skoru ve %99,19 ROC-AUC ile üstün performans gösterdiğini ortaya koymaktadır. Bu sonuçlar, FL'nin veri gizliliğini korurken yüksek sınıflandırma performansı sağlama potansiyelini vurgulamaktadır. Sonuç olarak, bu çalışma, sağlık sektöründe gizlilik koruyan yapay zeka çözümlerinin giderek daha kritik hale geldiği bir dönemde, Federated Learning'in artan rolünü ortaya koymaktadır. Gelecekteki çalışmalar, FL'nin daha ileri düzey mimariler ve daha büyük, daha çeşitli veri setleriyle entegrasyonunu keşfederek modelin genelleştirilebilirliğini ve dayanıklılığını daha da artırmayı amaçlayabilir.
Özet (Çeviri)
The early and accurate diagnosis of liver tumors plays a crucial role in improving patient outcomes and determining appropriate treatment strategies. In recent years, machine learning techniques, particularly deep learning, have shown significant potential in enhancing diagnostic accuracy through medical image analysis. However, challenges such as data privacy and security concerns pose significant barriers to training deep learning models using centralized medical datasets. Federated Learning (FL) has emerged as a promising solution, enabling collaborative model training across multiple institutions without the need for sharing sensitive patient data. This study presents a novel application of Federated Learning for liver tumor classification using Magnetic Resonance Imaging scans. The proposed model leverages the EfficientNetB0 architecture within the FL framework. The performance of the FL model is compared to conventional deep learning architectures, including CNN, EfficientNet, MobileNetV3, ResNet50, and VGG16. Experimental results demonstrate that the FL-based EfficientNetB0 model achieves superior performance, with an accuracy of 93.75%, precision of 99.71%, recall of 87.79%, F1-score of 93.37%, and ROC-AUC of 99.19%. These results highlight the potential of FL to provide high classification performance while preserving data privacy. In conclusion, this study underscores the growing role of FL in the healthcare sector, where privacy-preserving AI solutions are becoming increasingly critical. Future work can explore the integration of FL with more advanced architectures and larger, more diverse datasets to further enhance model generalizability and robustness.
Benzer Tezler
- Federated learning and distributed inference over wireless channels
Kablosuz kanallar üzerinde federe öğrenme ve dağıtık çıkarım
BÜŞRA TEGİN
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA METE DUMAN
- A new framework for decentralized social networks: Harnessing blockchain, deep learning, and natural language processing
Merkezsiz sosyal ağlar için yeni bir çerçeve: Blok zinciri, derin öğrenme ve doğal dil işlemeyi kullanmak
AMIR AL KADAH
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ BALTA
- Bulut tabanlı otonom sürüş sıstemlerınde görüntü işleme ıçın tam homomorfık şıfreleme yaklaşımı
A fully homomorphic encryption approach to image processing in cloud based autonomous driving systems
KAMRAN SAEED
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH ADAK
- Utilization of federated learning for ıot device security
Iot cihaz güvenliği için federe öğrenmenin kullanimi
LATİFE İLAYDA IŞIN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASER DALVEREN
- Novel data partitioning and scheduling schemes for dynamic federated vehicular cloud
Dinamik federe araç bulutu için yeni bir görev yükü paylaşımı ve iş planlaması şemaları
WISEBORN MANFE DANQUAH
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR