Gelişmiş veri gizliliği için üretken çekişmeli ağlar ve federe öğrenme tabanlı görüntü üretimi ve sınıflandırması

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.