Derin öğrenme yöntemi ile diferansiyel mahremiyetli medikal görüntü sınıflandırma

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.