Skip navigation
Please use this identifier to cite or link to this item: https://libeldoc.bsuir.by/handle/123456789/55575
Title: Problems of Privacy and Heterogeneity for Federated Learning Applications in Medical Image Analysis
Other Titles: Проблемы конфиденциальности и неоднородности приложений федеративного обучения при анализе медицинских изображений
Authors: Himbitski, A.
Zelenkovsky, V.
Zhydovich, M.
Kovalev, V.
Keywords: материалы конференций;machine learning;deep neural network;medical images analysis
Issue Date: 2024
Publisher: БГУИР
Citation: Problems of Privacy and Heterogeneity for Federated Learning Applications in Medical Image Analysis = Проблемы конфиденциальности и неоднородности приложений федеративного обучения при анализе медицинских изображений / A. Himbitski [et al.] // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS) : сборник научных трудов / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. В. Голенков [и др.]. – Минск, 2024. – Вып. 8. – С. 303–310.
Abstract: Recently, machine learning has become one of the most promising directions in working with medical data. Deep neural network models are the most eff ective and accurate, but they require large volumes of information for training. This is a common problem in the case of medical data, especially images, as their creation involves signifi cant costs. One solution to improve the quality of deep neural network models without increasing the training dataset is model aggregation. However, a problem arises with preserving the confi dentiality of medical images. For example, if one model is trained on an image containing information about a specifi c patient, other models participating in the aggregation may also gain access to this information. As a result, information about a specifi c patient may be disclosed. In an attempt to address the problem described above, this work aims to research and develop methods for aggregating machine learning models while preserving the privacy of medical images, particularly federated learning methods
Alternative abstract: В последнее время машинное обучение стало одним из самых многообещающих направлений в работе с медицинскими данными. Модели глубоких нейронных сетей являются наиболее эффективными и точными, но требуют больших объемов информации для обучения. Это общая проблема в случае медицинских данных, особенно изображений, так как их создание включает значительные затраты. Одним из решений для повышения качества моделей глубокого обучения без увеличения обучающего набора данных является агрегация моделей. Однако возникает проблема сохранения конфиденциальности медицинских изображений. Например, если одна модель обучается на изображении, содержащем информацию о конкретном пациенте, другие модели, участвующие в агрегации, также могут получить доступ к этой информации. В результате информация о конкретном пациенте может быть раскрыта. В попытке решить описанную выше проблему, данная работа направлена на исследование и разработку методов агрегации моделей машинного обучения с сохранением конфиденциальности медицинских изображений, в особенности методов федеративного обучения.
URI: https://libeldoc.bsuir.by/handle/123456789/55575
Appears in Collections:OSTIS-2024

Files in This Item:
File Description SizeFormat 
Himbitski_Problems.pdf189.62 kBAdobe PDFView/Open
Show full item record Google Scholar

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.