GELİŞMİŞ VERİ GİZLİLİĞİ İÇİN ÜRETKEN ÇEKİŞMELİ AĞLAR VE FEDERE ÖĞRENME TABANLI GÖRÜNTÜ ÜRETİMİ VE SINIFLANDIRMASI

Abstract

Tıbbi görüntü sınıflandırma problemleri, derin öğrenme tabanlı yaklaşımların gelişimiyle birlikte önemli ilerlemeler kaydetmiş olsa da, veri gizliliği, sınıf dengesizliği ve dağıtık veri yapılarından kaynaklanan zorluklar güncelliğini korumaktadır. Özellikle sağlık alanında kullanılan görüntü verilerinin hassas yapısı, bu verilerin merkezi bir sunucuda toplanmasını kısıtlamakta ve geleneksel makine öğrenmesi yaklaşımlarının uygulanabilirliğini sınırlamaktadır. Bu bağlamda, verinin yerel istemcilerde tutulmasını esas alan federe öğrenme yaklaşımı, gizlilik korumalı model eğitimi için etkili bir çözüm sunmaktadır. Ancak federe öğrenme ortamlarında karşılaşılan dengesiz veri dağılımı ve sınıf dengesizliği model performansını olumsuz yönde etkileyebilmektedir. Bu tez çalışmasında söz konusu problemlerin çözümüne yönelik olarak üretken çekişmeli ağlar ile desteklenen bütünleşik bir federe öğrenme çerçevesi önerilmiştir. MedMNIST veri kümesi üzerinde gerçekleştirilen deneylerde koşullu üretken çekişmeli ağ ve derin evrişimli üretken çekişmeli ağ mimarileri kullanılarak sentetik tıbbi görüntüler üretilmiş ve bu görüntüler gerçek verilerle birleştirilerek federe öğrenme tabanlı sınıflandırma sürecine entegre edilmiştir. Ayrıca PSO algoritması, modelin kritik hiperparametrelerinin optimize edilmesinde kullanılarak, istemciler arası heterojenlikten kaynaklanan performans dalgalanmalarının azaltılması hedeflenmiştir. Deneysel sonuçlar, üretken çekişmeli ağ tabanlı veri artırımının çeşitli sınıflar üzerinde performans artışları sağladığını ve federe öğrenme yaklaşımının global modelin yakınsama hızını ve genel sınıflandırma başarımını artırdığını göstermektedir. Elde edilen bulgular önerilen yaklaşımın gizlilik korumalı tıbbi görüntü analizi uygulamaları için etkili ve genellenebilir bir çözüm sunduğunu ortaya koymaktadır.

Although deep learning-based approaches have achieved remarkable success in medical image classification, challenges such as data privacy, class imbalance, and distributed data heterogeneity remain significant obstacles. In healthcare applications, the sensitive nature of medical image data restricts centralized data collection, thereby limiting the applicability of conventional machine learning paradigms. In this context, Federated Learning has emerged as an effective privacy-preserving learning framework by enabling model training without sharing raw data. Unbalanced data distributions and class imbalance across clients often degrade the performance of federated learning models. In this thesis, a comprehensive federated learning framework enhanced by Generative Adversarial Networks is proposed to address these challenges. Synthetic medical images are generated using CGAN and DCGAN architectures on the MedMNIST dataset and integrated into the federated learning-based classification process to mitigate data imbalance issues. Experimental results demonstrate that Generative Adversarial Network based data augmentation improves classification performance under certain conditions. The findings indicate that the proposed approach provides an effective and scalable solution for privacy-preserving medical image analysis and contributes to advancing federated learning applications in the healthcare domain.