Yapay Sinir Ağları İle Göğüs Kanseri Tahmini

Yıl 2016, Cilt: 3 Sayı: 2, 0 - 0, 31.05.2016

Arafat Şentürk , Zehra Karapinar Şentürk

https://doi.org/10.31202/ecjse.264199

Cited By: 18

Öz

Dünya Sağlık Örgütü’nün verilerine göre, hem gelişmiş hem de gelişmekte olan ülkelerde, göğüs kanseri kadınlar arasındaki en yaygın kanser türüdür. Kentleşme ve batılı hayat tarzına uyum sağlamanın gelişen dünyada bu kanser türünü tetiklediği düşünülmektedir. Çoğu kanser vakası hastalığın son evrelerinde teşhis edilebilmekte ve tedaviler bu evreden sonra çoğu zaman cevap verememekte ve hasta kayıpları yaşanmaktadır. Bu sebeple, diğer kanser türlerinde olduğu gibi, göğüs kanserinin de erken tanısı hayati önem taşımaktadır.

Bu çalışmada, göğüs kanserinin erken tanısına katkıda bulunabilmek amaçlanmıştır. Hastalara belirtileri doğrultusunda göğüs kanseri olup olmadıklarına dair teşhis konulmuştur. Bu amaçla, veritabanında mevcut olan, önceden teşhisi konulmuş vakaların verileri kullanılarak, henüz teşhisi belli olmayan örneklere tahmin yoluyla teşhis konulmuştur. Tahmin işi, tasarlanan bir yapay sinir ağına yaptırılmış ve doğruluk oranı %77 olarak bulunmuştur.

Anahtar Kelimeler

Yapay sinir ağları, Meme kanseri, Erken tanı

Kaynakça

• Hand D.J., Mannila H. ve Smyth P., “Principles of data mining”, 1st Edition, MIT Press Cambridge, (2001).
• Fausett L., “Fundamentals of neural networks: architectures, algorithms and applications”, 1st Edition, Prentice-Hall International. (1994).
• Uncini A., “Audio signal processing by neural Networks”, Neurocomputing, 55 (3-4), sayfa. 593 – 625. (2003).
• Shi Z. ve He L., “Application of Neural Networks in Medical Image Processing”, Proceedings of the Second International Symposium on Networking and Network Security (ISNNS ’10) , China, sayfa. 2-4. (2010).
• Ramirez-Quintana J.A., Chacon-Murguia M. I. ve Chacon-Hinojos J. F., “Artificial Neural Image Processing Applications: A Survey”, Engineering Letters, 20 (1), sayfa 68-81. (2012).
• Klemm M., Craddock I., Leendertz J., Preece A. ve Benjamin R., “Radar-based breast cancer detection using a hemi-spherical antenna array experimental results”, IEEE Trans. Antennas Propag., 57 (6), sayfa 1692–1704, (2009).
• Abbosh A., “Early breast cancer detection using Doppler frequency shift”, Asia-Pacific Microwave Conference Proceedings (APMC), Yokohama, sayfa 275-278, (2010).
• Chou S. M., Lee T. S., Shao Y. E., Chen I. F., “Mining the breast cancer pattern using artificial neural networks and multivariate adaptive regression splines”, Expert Systems with Applications, 27 (1), sayfa 133-142, (2004).
• Karabatak M., “Özellik seçimi, sınıflama ve öngörü Uygulamalarına yönelik birliktelik kuralı Çıkarımı ve yazılım geliştirilmesi”, Ph.D. Thesis, Fırat University Institute of Science, Elazığ, (2008).
• Nass S., Henderson I. ve Lashof J., “Mammography and Beyond: Developing Technologies for the Early Detection of Breast Cancer”, National Cancer Policy Board, National Academy Press, USA, (2001).
• Arbacha L., Stolpenb A. H., Berbaum K. S., Fajardo L. L., Reinhardt J. M., “Breast MRI lesion classification: Improved performance of human readers with a backpropagation neural network computeraided computeraided diagnosis (CAD) system”, J Magnetic Resonance Imaging, 25 (1), sayfa 89-95. (2007).
• Abdolmaleki P., Buadu L.D., ve Naderimanesh H., “Feature extraction and classification of breast cancer on dynamic magnetic resonance imaging using artificial neural network”, Elsevier, Cancer Letters, 171 (2), sayfa 183-191, (2001).
• Fogel D. B., Wasson E.C., Boughton E.M. ve Porto V.W., “A step toward computerassisted mammography using evolutionary programming and neural Networks”, Cancer Letters, 119 (1), sayfa 93-97, (1997).
• Revett K., Gorunescu F., Gorunescu M., El-Darzı E. ve Ene M., “A breast cancer diagnosis system: a combined approach using rough sets and probabilistic neural Networks”, Computer as a tool Eurocon 2005, Belgrade, pp. 1124- 1127, (2005).
• Gorunescu M., Gorunescu F., ve Revett K., “Investigating a Breast Cancer Dataset Using a Combined Approach: Probabilistic Neural Networks and Rough Sets”, Proc. 3rd ACM International Conference on Intelligent Computing and Information Systems -ICICIS07, Cairo, Egypt, pp. 246-249, (2007).
• Hsiao Y.H., Huang Y.L., Liang W.M., Kuo S.J. and Chen D.R., “Characterization of benign and malignant solid breast masses: harmonic versus nonharmonic 3D power Doppler imaging”, Ultrasound Medicine & Biology, 35 (3), pp. 353-359. (2009).