Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması

Yıl 2020, Cilt: 36 Sayı: 2, 151 - 160, 17.08.2020

Tayyip Özcan

Öz

Göğüs kanseri, her yıl çokça ölüme sebebiyet veren en tehlikeli kanser türleri arasında yer almaktadır. Erken tanı durumları kanser tedavilerinde yapıcı rol oynamaktadır. Bu nedenle araştırmacılar, hastalara ve sağlıklı insanlara ait veriler üzerinde sınıflandırma ve kümeleme yöntemlerini kullanarak deneysel araştırmalar yapmaktadır. Gelişen teknoloji ile makine öğrenme destekli teşhis çalışmalarının yanı sıra derin öğrenme yöntemlerinin kullanımında kayda değer bir artış görülmektedir. Bu çalışmada, bir derin öğrenme metodu olan yığınlanmış özdevinimli kodlayıcılar (SAE) kullanılarak göğüs kanseri sınıflandırılmasında kullanılmak üzere yeni bir model tasarlanmıştır. Tasarlanan SAE ile performans karşılaştırması gerçekleştirmek üzere en yaygın kullanılan makine öğrenme yöntemlerinden destek vektör makineleri, k-en yakın komşuluk, naive bayes ve karar ağaçları metotları bu çalışmada ayrıca kullanılmıştır. Doğruluk oranı metriğinin yanı sıra, eğitim ve test aşamalarındaki geçen süre (zaman karmaşıklığı) deneysel çalışmalarda hesaplanmıştır. Deneysel çalışmalarda, veri ön işleme adımlarından normalizasyon süreci uygulanarak, sınıflandırma başarımına etkisi incelenmiştir. Deneysel sonuçlara göre doğruluk oranı kriteri baz alındığında %79,31 doğruluk oranı ile en başarılı sonuç veri ön işleme destekli SAE ile elde edilmiştir. Zaman karmaşıklığı metriğine göre KNN algoritması eğitim sürecinde en hızlı algoritma olurken SAE algoritması test sürecinde en hızlı olan algoritma olarak tespit edilmiştir.

Anahtar Kelimeler

Göğüs Kanseri, Derin Öğrenme, Yığınlanmış Özdevinimli Kodlayıcılar, Veri Ön İşleme, Makine Öğrenme Metotları

Kaynakça

• Bicer, M. B., Aydin, E. A., Akdagli, A. 2014. Meme kanseri görüntülemesinde mikrodalganın yeri. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 30(4), 257-263.
• Patrício, M., Pereira, J., Crisóstomo, J., Matafome, P., Gomes, M., Seiça, R., Caramelo, F. 2018. Using Resistin, glucose, age and BMI to predict the presence of breast cancer. BMC Cancer, 18(1).
• Gültepe, Y., Kartbaev, T. 2019. A Study of Data Mining Methods for Breast Cancer Prediction. Proceedings Book, 303.
• Sharma, R. K., Nair, A. R. 2019. Efficient Breast Cancer Prediction Using Ensemble Machine Learning Models. 4th International Conference on Recent Trends on Electronics, Information, Communication & Technology (RTEICT), 100-104.
• Arunadevi, J., Ganeshamoorthi, K. 2019. Feature Selection Facilitated Classification For Breast Cancer Prediction. International Conference on Computing Methodologies and Communication (ICCMC), 560-563.
• Saritas, M. M., Yasar, A. 2019. Performance Analysis of ANN and Naive Bayes Classification Algorithm for Data Classification. International Journal of Intelligent Systems and Applications in Engineering, 7(2), 88-91.
• Salod, Z., Singh, Y. 2019. Comparison of the performance of machine learning algorithms in breast cancer screening and detection: A protocol. Journal of Public Health Research, 8(3), 112-118.
• Ozcan, T., Basturk, A. 2020. Transfer learning-based convolutional neural networks with heuristic optimization for hand gesture recognition. Neural Computing and Applications, 31(12), 8955-8970.
• Ozcan, T., Basturk, A. 2019. Lip reading using convolutional neural networks with and without pre-trained models. Balkan Journal of Electrical and Computer Engineering, 7(2), 195-201.
• Ozcan, T., Basturk, A. 2020. Human action recognition with deep learning and structural optimization using a hybrid heuristic algorithm. Cluster Computing, 1-14.
• Ozcan, T., Basturk, A. 2020. Performance Improvement of Pretrained Convolutional Neural Networks for Action Recognition. The Computer Journal, 1-13.
• Özcan, T., Baştürk, A. 2019. Static image-based emotion recognition using convolutional neural network. 27th Signal Processing and Communications Applications Conference, 24-26 Nisan, Sivas, 1-4.
• Kilic, E., Ozturk, S. 2019. A subclass supported convolutional neural network for object detection and localization in remote-sensing images. International journal of remote sensing, 40(11), 4193-4212.
• Gul, E., Ozturk, S. 2019. A novel hash function based fragile watermarking method for image integrity. Multimedia Tools and Applications, 78(13), 17701-17718.
• Adem, K., Kiliçarslan, S., Cömert, O. 2019. Classification and diagnosis of cervical cancer with stacked autoencoder and softmax classification. Expert Systems with Applications, 115, 557-564.
• Kilicarslan, S., Adem, K., Celik, M. 2020. Diagnosis and classification of cancer using hybrid model based on ReliefF and convolutional neural network. Medical Hypotheses, 137, 109577.
• Boser, B. E., Guyon, I. M., Vapnik, V. N. 1992. A training algorithm for optimal margin classifiers. Proceedings of the fifth annual workshop on Computational learning theory; Pittsburgh, Pennsylvania, USA.
• Tas, O. 2016. Destek Vektör Makineleri. https://www.slideshare.net/oguzhantas/destek-vektr-makineleri-support-vector-machine (Erişim Tarihi: 13.04.2020).
• Ulgen, E. K. 2017. K-En Yakın Komşuluk. https://medium.com/@k.ulgen90/makine-öğrenimi-bölüm-2-6d6d120a18e1 (Erişim Tarihi: 15.04.2020).
• Hatipoglu, E. 2018. Naive Bayes. https://medium.com/@ekrem.hatipoglu/machine-learning-classification-naive-bayes-part-11-4a10cd3452b4 (Erişim Tarihi: 16.04.2020)
• Turgut, S. 2017. Makine öğrenmesi yöntemleri kullanarak kanser teşhisi. İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 55s, İstanbul.
• Ozcan, T. 2020. Derin öğrenme ile insan edimlerinin tanınması. Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 204s, Kayseri.