Comparison of federated learning frameworks for medical image domain
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Tıbbi görüntüleme, hastalıkların teşhis ve tedavisinde kritik bir rol oynamakta olup, karmaşık ve heterojen verilerin büyük miktarlarını üretmektedir. Tıbbi görüntüleme verileri üzerinde makine öğrenimi modelleri eğitmek, veri karmaşıklığı, kıtlığı ve gizlilik düzenlemeleri gibi zorluklarla karşılaşmaktadır. Federated Learning (FL), gizliliği riske atmadan birden fazla cihaz veya veri merkezi üzerinde dağıtılmış verilerle modellerin eğitilmesini sağlayan bir dağıtık makine öğrenimi çözümü olarak ortaya çıkmıştır. Bu tezde, tıbbi görüntüleme alanında FL çerçevelerinin kapsamlı bir analizini sunmaktayım. MobileNetV2 CNN mimarisi ve göğüs röntgeni görüntülerinden oluşan bir veri kümesi kullanarak dört çerçevenin (FedML, FLARE, Flower ve OpenFL) performansını karşılaştırıyorum. Değerlendirme metrikleri arasında hassasiyet, geri çağırma, F1 puanı, doğruluk ve AUC-ROC bulunmaktadır. Sonuçlar, çerçevelerin sınıflandırma doğruluğunda farklılıklar olduğunu göstermektedir, FedML üstün performans sergilerken, onu FLARE ve Flower takip etmektedir. OpenFL ise daha düşük performans sergilemiştir. Bu bulgular, doğru FL çerçevesinin seçiminin doğru tıbbi görüntü sınıflandırması için önemini vurgulamaktadır. Çalışma, araştırmacılara ve uygulayıcılara bilgi sağlayarak çerçeve seçimine yardımcı olmakta ve tıbbi görüntü analizini geliştirmektedir. İleriki araştırmalar, gelişmiş sağlık teşhisleri için FL'yi ilerletmek için ek metrikler, mimariler ve veri setleri üzerinde çalışabilir.
Medical imaging plays a crucial role in the diagnosis and treatment of diseases, generating large amounts of complex and heterogeneous data. Training machine learning models on medical imaging data faces challenges such as data complexity, scarcity, and privacy regulations. Federated Learning (FL) has emerged as a solution for distributed machine learning, allowing models to be trained on data distributed across multiple devices or data centers without compromising privacy. In this paper, we provide a comprehensive analysis of FL frameworks for the medical image domain. We compare the performance of four frameworks (FedML, FLARE, Flower, and OpenFL) using a dataset of chest X-ray images and the MobileNetV2 CNN architecture. Evaluation metrics include precision, recall, F1-score, accuracy, and AUC-ROC. The results indicate variations in the frameworks' classification accuracy, with FedML demonstrating superior performance, followed by FLARE and Flower. OpenFL exhibited lower performance. These findings emphasize the importance of selecting the appropriate FL framework for accurate medical image classification. The study contributes insights for researchers and practitioners, aiding in framework selection and improving medical image analysis. Further research can explore additional metrics, architectures, and datasets, advancing FL in the medical domain for enhanced healthcare diagnostics.
Medical imaging plays a crucial role in the diagnosis and treatment of diseases, generating large amounts of complex and heterogeneous data. Training machine learning models on medical imaging data faces challenges such as data complexity, scarcity, and privacy regulations. Federated Learning (FL) has emerged as a solution for distributed machine learning, allowing models to be trained on data distributed across multiple devices or data centers without compromising privacy. In this paper, we provide a comprehensive analysis of FL frameworks for the medical image domain. We compare the performance of four frameworks (FedML, FLARE, Flower, and OpenFL) using a dataset of chest X-ray images and the MobileNetV2 CNN architecture. Evaluation metrics include precision, recall, F1-score, accuracy, and AUC-ROC. The results indicate variations in the frameworks' classification accuracy, with FedML demonstrating superior performance, followed by FLARE and Flower. OpenFL exhibited lower performance. These findings emphasize the importance of selecting the appropriate FL framework for accurate medical image classification. The study contributes insights for researchers and practitioners, aiding in framework selection and improving medical image analysis. Further research can explore additional metrics, architectures, and datasets, advancing FL in the medical domain for enhanced healthcare diagnostics.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
