Tıbbi görüntü analizinde çekişmeli makine öğrenmesi yaklaşımları
Adversarial machine learning approaches in medical image analysis
- Tez No: 986812
- Danışmanlar: DOÇ. DR. SELEN AYAS
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine öğrenmesi, Makine öğrenmesi yöntemleri, Çekişmeli saldırı, Machine learning, Machine learning methods, Adversarial attack
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tıbbi görüntü analizi, derin öğrenme tabanlı yöntemlerin ilerlemesiyle hastalıkların erken teşhisinde önemli bir rol üstlenmektedir. Görü dönüştürücü (ViT) tabanlı mimariler yüksek doğruluk oranları elde etse de çekişmeli saldırılara karşı savunmasız olmaları klinik uygulamalar açısından ciddi güvenlik riskleri barındırmaktadır. Bu tez kapsamında ViT, SEViT, MedViTV2 ve önerilen LFViT (Logit-Fusion Vision Transformer) modellerinin dayanıklılıkları ICIAR 2018 Breast Histology veri seti üzerinde incelenmiştir. Normal eğitim koşullarında modellerin doğruluk oranları ViT için %91,67, SEViT için %81,33, MedViTV2 için %80,00 ve LFViT için %93,33 olarak elde edilmiştir. Ardından PGD, FGSM, MI-FGSM ve BIM saldırıları altında gerçekleştirilen deneyler, saldırı şiddeti arttıkça bazı modellerin tamamen işlevsiz hâle geldiğini göstermiştir. Bununla birlikte, PGD tabanlı çekişmeli eğitim stratejisi, savunma performansında anlamlı bir iyileşme sağlamıştır. Özellikle LFViT modeli, saldırı senaryolarında daha dengeli sonuçlar üretmiş ve çekişmeli eğitim sonrasında tüm saldırı türlerinde %95.00 doğruluk oranına ulaşarak diğer modellerden üstün performans göstermiştir. Bu çalışma, ViT tabanlı modellerin farklı saldırı türlerine karşı savunmasız taraflarını ve çekişmeli eğitim ile kazanılan dayanıklılıklarını ortaya koymakta; ayrıca LFViT modeli aracılığıyla tıbbi görüntü sınıflandırmasında güvenilirlik ve sağlamlık açısından yeni bir katkı sunmaktadır.
Özet (Çeviri)
Medical image analysis has become a critical tool for early disease diagnosis with the advancement of deep learning-based methods. Although Vision Transformer (ViT) architectures achieve high accuracy, their vulnerability to adversarial attacks poses significant security risks for clinical applications. This thesis investigates the robustness of ViT, SEViT, MedViTV2, and the proposed LFViT (Logit-Fusion Vision Transformer) models on the ICIAR 2018 Breast Histology dataset. Under standard training conditions, the accuracy rates were 91.67% for ViT, 81.33% for SEViT, 80.00% for MedViTV2, and 93.33% for LFViT. Subsequent experiments with PGD, FGSM, MI-FGSM, and BIM attacks revealed that some models became almost entirely ineffective as the attack strength increased. However, PGD-based adversarial training significantly enhanced defense performance. Notably, the LFViT model demonstrated higher resilience, producing more stable outcomes even under adversarial conditions. Following adversarial training, LFViT achieved 95.00% accuracy across all attack scenarios, outperforming the other models. Overall, this study highlights the vulnerabilities of ViT-based architectures against various adversarial methods and demonstrates how adversarial training can improve their robustness. Moreover, the proposed LFViT model provides a novel contribution toward enhancing reliability and robustness in medical image classification.
Benzer Tezler
- Derin öğrenme ile sentetik tıbbi beyin görüntülerinin üretilmesi
Başlık çevirisi yok
ÜVEYS YILDIZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiOptik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RUKİYE KARAKIŞ
- Medikal görüntü analizinde gürültü saldırılarına karşı derin öğrenme modellerinin performanslarının karşılaştırılması
Benchmarking of deep learning models against adversarial attacks in medical image analysis
GÖKÇE OK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT DENER
- Derin öğrenme yöntemleri kullanılarak tıbbi görüntülerden teşhis
Diagnosis from medical images using deep learning methods
OSMAN DOĞUŞ GÜLGÜN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAMZA EROL
- Beyin MR görüntülerinin görüntü işleme teknikleri kullanılarak sınıflandırılması
Classification of brain mr images using image processingtechniques
ERCÜMENT GÜVENÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEVLÜT ERSOY
DOÇ. DR. GÜRCAN ÇETİN
- Weakly supervised approaches for image classification in remote sensing and medical image analysis
Uzaktan algılama ve tıbbi görüntü analizinde zayıf denetimli görüntü sınıflandırma yaklaşımları
BULUT AYGÜNEŞ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ