چکیده: تصاویر قفسه سینه در تشخیص بسیاری از بیماری‌ها، از جمله کرونا، اهمیت ویژه‌ای دارند. باتوجه‌به اینکه بیماران هر بیمارستان محدود بوده و درنتیجه تعداد تصاویر برچسب‌گذاری شده برای آموزش یک شبکه کافی نمی‌باشد و همچنین امکان اشتراک‌گذاری تصاویر بین بیمارستان‌ها به دلیل حفظ حریم خصوصی وجود ندارد و آموزش یک شبکه مستقل برای هر بیمارستان میسر نمی‌باشد. یادگیری فدرال به‌عنوان راه‌حلی نوین و مؤثر برای حل این چالش‌ها به کار گرفته شده‌اند، یادگیری فدرال یک روش یادگیری ماشین است که مدلی سراسری ایجاد می‌کند تا همه بیمارستان‌ها بدون نیاز به‌اشتراک‌گذاری تصاویر از آن بهره‌مند شوند. هر دستگاه مدل محلی خود را با داده‌های خودآموزش می‌دهد و سپس تنها پارامترهای مدل (نه داده‌های خام) را به سرور مرکزی بازمی‌گرداند. این روش نه‌تنها امنیت و حریم خصوصی داده‌ها را حفظ می‌کند، بلکه از پهنای باند کمتری نیز استفاده می‌کند. روشی که در این پایان‌نامه ارائه شده است قابلیت این را دارد که در شبکه پیشنهاد شده، مدل هر کلاینت متفاوت باشد و به‌جای ارسال تصاویر بزرگ و حساس به سرورهای مرکزی، فقط خروجی خام لایه اخر شبکه عصبی به‌عنوان معیار انتقال داده ‌شود و همچنین باتوجه‌به اینکه ممکن است در شبکه بعضی از مشتریان حاوی دیتای مخرب باشند و عملکرد شبکه را تحت‌تأثیر خود قرار بدهند از تکنیک‌ تشخیص مشتریان مخرب استفاده شده است تا با حضور مشتریان مخرب عملکرد شبکه پایدار بماند و فرایند آموزش برای مشتریان سالم وجود داشته باشد. این روش علاوه بر رفع چالش‌های مطرح شده، نسبت به روش‌های گذشته حداقل 9درصد افزایش دقت داشته است که نشان‌دهنده پیشرفت در این زمینه است.