Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/488
Title: Federated AI-Learning for Smart Healthcare
Authors: KADIRI, MEhdi
KADDOURI, HAmza
Keywords: Machine Learning
Deep Learning
Artificial Neural Network
AutoEncoders
Convolutional Neural Network
Recurrent Neural Network
Long Short-Term Memory
Gated Recurrent Unit
Local Outlier Factor
One-Class Support Vector Machines
Deep Neural Network
Deep Belief Network
Internet Of Medical Things
Federated Learning
Issue Date: 2023
Abstract: Abstract : Pulmonary diseases, such as pneumonia, tuberculosis, and lung cancer, may cause morbidity and mortality worldwide. Timely and accurate detection of these diseases is crucial for effective treatment and improved patient outcomes. Deep learning techniques have shown promising results in medical image analysis, particularly in computer-aided diagnosis. However, the collection and centralization of large-scale medical data for training deep learning models pose challenges in terms of data privacy, security, and regulatory compliance. Federated learning has emerged as a privacy-preserving approach that allows multiple institutions or individuals to collaboratively train a shared model without sharing sensitive data. In this master’s degree report, we investigate the application of federated learning for pulmonary disease detection using deep learning techniques. The primary objective of this research is to develop an efficient and accurate deep learning model for pulmonary disease detection by leveraging federated learning. We propose a federated learning framework that utilizes a deep convolutional neural network (CNN) architecture to analyze medical images, such as chest X-rays or CT scans, for the detection of pulmonary diseases. The federated learning setup allows participating healthcare institutions to train the model locally on their respective datasets while keeping the data decentralized and secure.*** Résumé : Les maladies pulmonaires, telles que la pneumonie, la tuberculose et le cancer du poumon, restent des causes importantes de morbidité et de mortalité dans le monde. La détection rapide et précise de ces maladies est cruciale pour un traitement efficace et de meilleurs résultats pour les patients. Les techniques d’apprentissage en profondeur ont montré des résultats prometteurs dans l’analyse d’images médicales, en particulier dans le diagnostic assisté par ordinateur. Cependant, la collecte et la centralisation de données médicales à grande échelle pour la formation de modèles d’apprentissage en profondeur posent des défis en termes de confidentialité des données, de sécurité et de conformité réglementaire. L’apprentissage fédéré est apparu comme une approche préservant la confidentialité qui permet à plusieurs institutions ou individus de former en collaboration un modèle partagé sans partager de données sensibles. Dans ce mémoire de master, nous étudions l’application de l’apprentissage fédéré pour la détection des maladies pulmonaires à l’aide de techniques d’apprentissage en profondeur. L’objectif principal de cette recherche est de développer un modèle d’apprentissage en profondeur efficace et précis pour la détection des maladies pulmonaires en tirant parti de l’apprentissage fédéré. Nous proposons un cadre d’apprentissage fédéré qui utilise une architecture de réseau de neurones à convolution profonde (CNN) pour analyser des images médicales, telles que des radiographies pulmonaires ou des tomodensitogrammes, pour la détection de maladies pulmonaires. La configuration d’apprentissage fédéré permet aux établissements de santé participants de former le modèle localement sur leurs ensembles de données respectifs tout en gardant les données décentralisées et sécurisées.
Description: Supervisor : Mr MALKI Abdelhamid
URI: https://repository.esi-sba.dz/jspui/handle/123456789/488
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
Master_Report-1-1.pdf87,94 kBAdobe PDFView/Open
Show full item record


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