Uymaz, Sait AliCan, ÖzgüUrfalı, Ataberk2026-04-102026-04-102026https://hdl.handle.net/20.500.13091/13158https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=KOgdn9H3uVnWeb15j2W4h_4iOY3TuVGDyk_uiN0GB6FNnUpMvY_cjj03q-ArVHfdMedikal görüntü segmentasyonu alanında yüksek doğruluk gereksinimi ile hasta mahremiyetine yönelik sıkı yasal düzenlemeler, çok kurumlu yapay zekâ sistemlerinin geliştirilmesini zorlaştırmaktadır. Merkezi öğrenme yaklaşımlarında verinin tek bir merkezde toplanması; KVKK, HIPAA ve GDPR benzeri mevzuatlar, kurumsal veri yönetişimi politikaları ve altyapı farklılıkları nedeniyle çoğu zaman mümkün olamamakta, bu durum modellerin genelleme performansını sınırlamaktadır. Bu tezde, medikal görüntü segmentasyonu için geliştirilen AFHAL (Adaptive Federated Hybrid-Attention Learning) adlı yeni bir federe öğrenme çerçevesi sunulmaktadır. AFHAL, her kurumun yerel model performansına dayalı adaptif bir ağırlıklandırma mekanizmasını, kanal ve mekânsal dikkat bloklarını birleştiren Hybrid Attention U-Net mimarisi ile entegre ederek, non-IID veri dağılımlarının olumsuz etkilerini azaltmayı amaçlamaktadır. Önerilen yöntem, MRG, BT, röntgen ve endoskopi görüntülerinden oluşan ve farklı anatomik bölgeleri kapsayan on iki veri seti üzerinde değerlendirilmiştir. Tüm veri setleri ve görevler dikkate alındığında AFHAL, 0,8872 ortalama Dice skoru ile federe öğrenme algoritmaları arasında en yüksek performansı sunmaktadır. Merkezi eğitimle elde edilen modelle karşılaştırıldığında, ortalama Dice kaybı FedAvg için %2,29, FedProx için %1,75 ve FedBN için %1,16 iken, AFHAL bu kaybı %0,66 düzeyine düşürmekte ve böylece merkezi modele olan performans açığını göreli olarak yaklaşık %40–70 oranında azaltmaktadır. Diferansiyel gizlilik ve homomorfik şifreleme üzerine yapılan literatür çalışmaları, bu mekanizmaların ek hesaplama maliyetine rağmen federe senaryolarda doğrulukta genellikle yalnızca %1–2 civarında ek azalmaya yol açtığını göstermektedir. Elde edilen bulgular, AFHAL'ın yüksek doğruluk, güçlü mahremiyet koruması ve çok kurumlu sağlık sistemlerine ölçeklenebilirlik gereksinimlerini birlikte karşılayan, klinik uygulamaya elverişli bir federe öğrenme çözümü sunduğunu ortaya koymaktadır.Achieving highly accurate medical image segmentation under stringent patient privacy regulations remains a major challenge for deploying multi-institutional AI systems in healthcare. In centralized learning, aggregating data into a single repository is often infeasible due to legal frameworks similar to GDPR and HIPAA, institutional data governance policies, and infrastructural heterogeneity, all of which limit model generalization. This thesis proposes AFHAL (Adaptive Federated Hybrid-Attention Learning), a novel federated learning framework for medical image segmentation that enables collaborative model training without sharing raw patient data. AFHAL combines an adaptive weighting strategy—dynamically adjusting each institution's contribution to the global model based on its local performance—with a Hybrid Attention U-Net architecture that jointly exploits channel and spatial attention to mitigate the adverse effects of non-IID data distributions. The proposed method is evaluated on twelve datasets spanning MRI, CT, X-ray and endoscopic imaging across multiple anatomical regions. Considering all datasets and tasks, AFHAL achieves an average Dice score of 0.8872, yielding the highest performance among the federated baselines. Compared to a centrally trained model, the average Dice loss is 2.29% for FedAvg, 1.75% for FedProx and 1.16% for FedBN, whereas AFHAL reduces this loss to 0.66%, corresponding to an approximate 40–70% relative reduction in performance degradation. Existing literature on differential privacy and homomorphic encryption further indicates that, despite the increased computational cost, integrating these mechanisms in federated settings typically results in only about 1–2% additional accuracy degradation. Overall, the findings demonstrate that AFHAL provides a federated learning solution that is accurate, privacy-aware and scalable to heterogeneous healthcare institutions, making it well-suited for clinically meaningful deployment.trBilgisayarla GörmeComputer Engineering and Computer Science and ControlBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolComputer VisionMaster Thesis