مدیریت ناهمگنی داده ها در طبقه بندی تصاویر پزشکی: افزایش دقت از طریق روشهای پیشرفته یادگیری ماشین

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: مدیریت ناهمگنی داده ها در طبقه بندی تصاویر پزشکی: افزایش دقت از طریق روشهای پیشرفته یادگیری ماشین

ارائه دهنده: Provider: علیرضا ملکی - مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر حسن ختن‌لو

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر محرم منصوری‌زاده - دکتر رضا محمدی

زمان و تاریخ ارائه: Time and date of presentation: ساعت 17 - 1404/11/14

مکان ارائه: Place of presentation: آمفی تئاتر

چکیده: Abstract: در حوزه تصویربرداری پزشکی، ناهمگنی داده‌ها به عنوان یکی از چالش‌های اصلی در توسعه مدل‌های یادگیری ماشین برای تشخیص دقیق بیماری‌ها مطرح است. تفاوت‌های موجود در روش‌های تصویربرداری، پروتکل‌ها و ویژگی‌های جمعیت‌شناسی بیماران باعث می‌شود که داده‌های به‌دست‌آمده از موسسات مختلف ناسازگار باشند؛ این موضوع تعمیم‌پذیری مدل‌های آموزشی را کاهش داده و عملکرد آن‌ها را در مواجهه با داده‌های جدید به چالش می‌کشد. علاوه بر این، کاهش دقت تشخیص می‌تواند منجر به بروز نابرابری‌هایی در ارائه خدمات سلامت شود. از سوی دیگر، پیچیدگی فنی و محاسباتی مدیریت تصاویر چندبعدی و نگرانی‌های حریم خصوصی، مشکلات بیشتری را ایجاد می‌کند. باتوجه به مطالعات انجام شده، در راستای مقابله با این چالش‌ها، روش‌های مختلفی مورد بررسی قرار گرفته‌اند که می‌توان به دسته‌بندی‌های یادگیری فدرال (افقی و عمودی)،‌ روش مبتنی بر تجمیع (مانند FedAvg، SplitAVG و FedSGD)، روش‌های مبتنی بر انتقال (مانند انتقال چرخه‌ای وزن و SplitNN)، روش‌های شخصی‌سازی‌شده فدرال، یادگیری خودنظارتی، رویکردهای مبتنی بر ترنسفورمر بینایی و یادگیری تقابلی اشاره کرد. هر یک از این دسته‌ها دارای مزایا و معایب خاص خود هستند؛ به عنوان مثال، یادگیری فدرال افقی با سادگی به اشتراک‌گذاری به‌روزرسانی‌های مدل مزیت دارد، در حالی که یادگیری فدرال عمودی با ترکیب داده‌های چندوجهی توانایی ارائه مدل‌های جامع‌تر را دارد،‌ اما نگرانی‌های در مورد حفظ حریم خصوصی را به همراه دارد. این مطالعه به تحلیل مزایا و معایب هر روش پرداخته‌است و راهنمایی‌هایی برای انتخاب روش مناسب در توسعه مدل‎‌های تشخیصی دقیق در محیط‌های ناهمگن تصویربرداری پزشکی ارائه می‌دهد.