Göğüs Verileri Metrikleri Üzerinden Kanser Sınıflandırılması

Yıl 2020, Cilt: 11 Sayı: 2, 513 - 519, 15.06.2020

Emine Cengil Ahmet Çınar

https://doi.org/10.24012/dumf.578606

Cited By: 2

Öz

Göğüs kanseri dünyada kadınlar arasında en sık
karşılaşılan kanserlerden birisidir. Hastalık erken teşhis edilmediğinde ölüme
yol açabilmektedir. Göğüs kanseri tümörünün doğru bir şekilde sınıflandırılması
tıbbi alanda zorlu bir problemdir.  Bu
çalışmada, iğne aspirasyon tekniği kullanılarak biyopsi parçasından çıkartılmış
metrik verileri içeren Breast Cancer Wisconsin (Diagnostic) veri seti
kullanılarak kanser veya kanser değil ikili sınıflandırılması
gerçekleştirilmektedir. Sınıflandırma işlemi için sinir ağları mimarisi ve
keras derin öğrenme kütüphanesi araçlarından yararlanılır. Uygulama sonuçları
sınıflandırma başarımının % 98 civarında olduğunu göstermektedir. Çalışmada
hassasiyet, kesinlik, f1-skoru ve karmaşıklık matrisi gibi performans
ölçümlerine ait sonuçlar da verilerek yöntemin başarısı desteklenmiştir.

Anahtar Kelimeler

Göğüs kanseri, Sinir Ağları, Çok Katmanlı Algılayıcılar, Keras, Keras

Kaynakça

• Cengil E., Çınar, A., (2017). Image classification with caffe deep learning framework. In Computer Science and Engineering (UBMK), International Conference on (pp. 440-444). IEEE.
• Sette G., Salvati V., Giordani I., Pillozzi E., Quacquarini D., Duranti E., De Nicola F., Pallocca M., Fanciulli M., Falchi M., Pallini R., Conditionally reprogrammed cells (CRC) methodology does not allow the in vitro expansion of patient‐derived primary and metastatic lung cancer cells. International journal of cancer. 2018.
• Phonethep D., Boonjing V., Building Minimal Classification Rules for Breast Cancer Diagnosis. 2018 10th International Conference on Knowledge and Smart Technology (KST). IEEE, 2018.
• Amrane M., Oukid S., Gagaoua I., Ensarİ T., Breast cancer classification using machine learning. In 2018 Electric Electronics, Computer Science, Biomedical Engineerings' Meeting (EBBT) (pp. 1-4). IEEE. 2018.
• Aksebzeci H. B., ve Kayaalti Ö., Computer-aided classification of breast cancer histopathological images. Medical Technologies National Congress (TIPTEKNO), 2017. IEEE, 2017.
• Ting, F.F., Yen J.T., and Kok S. S., Convolutional neural network improvement for breast cancer classification. Expert Systems with Applications 120 (2019): 103-115.
• Dora, L., Agrawal S., Panda R. And Abraham A., Optimal breast cancer classification using Gauss–Newton representation based algorithm." Expert Systems with Applications 85 (2017): 134-145.
• Liu N., Qi E.S., Xu M., Gao B., Liu G.Q., A novel intelligent classification model for breast cancer diagnosis. Information Processing & Management, 56(3), 609-623, 2019.
• Toğacar M., and Ergen B., Deep Learnıng Approach For Classıfıcatıon Of Breast Cancer. 2018 International Conference on Artificial Intelligence and Data Processing (IDAP). IEEE, p. 1-5, 2018.
• Francois C., Deep learning with python. Manning Publications Co., 2017.
• Doğan G., (2010). Yapay Sinir Ağları Kullanılarak Türkiye’deki Özel Bir Sigorta Şirketinde Portföy Değerlendirmesi, Yüksek Lisans Tezi, Hacettepe Üniversitesi, İstatistik Bölümü.
• Cengil E., Cinar A.,(2016). A New Approach for Image Classification: Convolutional Neural Network, European Journal of Technic (EJT), 6(2), 96-103.
• Wolbergh W.H., Street W.N., Mangasarian OL. March 2011. Breast Cancer Wisconsin (Diagnostic) Data Set.
• Hossin M., and Sulaiman M.N., "A review on evaluation metrics for data classification evaluations." International Journal of Data Mining & Knowledge Management Process 5.2 (2015): 1.