Derin öğrenme yöntemi ile diferansiyel mahremiyetli medikal görüntü sınıflandırma
Differential privacy medical image classification with deep learning method
- Tez No: 703253
- Danışmanlar: PROF. DR. ŞEREF SAĞIROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde derin öğrenme uygulamalarının gelişen kullanımı ile bu uygulamalarda kullanılan veri boyutu ve çeşitliliği oldukça artmıştır. Bu sebeple derin öğrenme uygulamalarında genellikle model başarımına odaklanan çalışmaların yanı sıra bu modellerin güvenliğinin sağlanması için de çeşitli çalışmalar yapılmaya başlanmıştır. Model eğitim verilerinin mahremiyetinin sağlanması için yapılan çalışmalarda, her probleme uygulanabilmesinden ve fayda mahremiyet dengesinin dikkate alınmasından dolayı diferansiyel mahremiyet uygulamaları öne çıkmaktadır. Bu tez çalışmasında, kişilerin sağlık durumu gibi hassas kişisel verileri içeren medikal görüntüler üzerinde diferansiyel mahremiyet korumalı bir derin öğrenme modeli geliştirilmiş ve modelin başarımı test edilmiştir. Model olarak çok ölçekli 3D evrişimli sinir ağı gradyan pertürbasyonuna dayalı DP-SGD optimizasyon algoritması ile kullanılmıştır. Geliştirilen modelde; beyin tümör veya kanseri olan hastaların tanısında mahremiyete saygı gösterilerek tümör derecelendirme adımında LGG ve HGG gliom sınıflandırması yapılmaktadır. Eğitim ve test seti olarak beyin MR görüntüleri içeren BraTS 2020 veri seti kullanılmış olup, mahremiyete duyarlı ve duyarsız derin öğrenme modellerinin başarım oranı test edilmiş ve model başarımlarının çok büyük oranlarda değişmediği görülmüştür. Ortalama %85 civarında model başarımının yakalandığı göz önüne alındığında veri seti boyutu arttığında daha yüksek doğruluğa ulaşılacağı ve mahremiyete saygı gösterilerek beyin MR görüntülerinin analiz edilebileceği, Türk Beyin Projesi kapsamındaki veri setlerine uygulanabileceği değerlendirilmektedir.
Özet (Çeviri)
Nowadays, with the growing use of deep learning applications, the size and variety of data used in these applications have increased significantly. For this reason, in addition to the studies focusing on model performance, various studies also have been started to provide the security of deep learning models. In studies that provide the privacy of model training data, differential privacy applications come forward. Because differential privacy can be applied to every problem and, the tradeoffs between throughput and privacy is accounted. In this thesis, a differentially private deep learning model was developed on medical images which contain sensitive personal data such as the health status of individuals. After that, the performance of the model was tested. In this study, multiscale 3D convolutional neural network is used as a model with DP-SGD optimization algorithm based on gradient perturbation. In the developed model, diagnosis of patients with brain tumor or cancer was made with LGG and HGG glioma classification in the tumor grading step, at the same time respecting privacy. The BraTS 2020 dataset, which includes brain MR images, was used as the training and test set. The performance rate of privacy-sensitive and insensitive deep learning models was compared, and it was seen that the model performances did not change to a great extent. With an eye on that the model performance is around 85% on average, it is considered that higher accuracy will be achieved when the dataset size increases. With this, the brain MR images can be analyzed with respecting privacy and differential privacy can be applied to the datasets within the scope of the Turkish Brain Project.
Benzer Tezler
- Motion planning and control with randomized payloads using deep reinforcement learning
Derin pekiştirmeli öğrenme kullanarak rastgele yükler ile hareket planlama ve kontrol
ALİ DEMİR
Yüksek Lisans
İngilizce
2019
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN SEZER
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Multi-modal neuroimaging data prediction: Estimation of connectional brain template and multigraph classification with application to gender fingerprinting
Çoklu modal nörogörüntüleme veri tahmini: Bağlantılı beyin şablonunun tahmini ve cinsiyet parmak izi uygulaması ile çoklu grafik sınıflandırma
NADA CHAARI
Doktora
İngilizce
2021
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE CAMGÖZ AKDAĞ
DR. ÖĞR. ÜYESİ ISLEM REKIK
- Mikrokanonikal optimizasyon algoritması ile konvolüsyonel sinir ağlarında hiper parametrelerin optimize edilmesi
Optimization of hyper parameters in convolutional neural networks by microcanonical optimization algorithm
ZEKİ KUŞ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYLA GÜLCÜ
- Kuantum hesaplama tabanlı yapay zeka algoritmalarının geliştirilmesi
Development of quantum computation based artificial intelligence algorithms
HASAN YETİŞ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE