Geri Dön

Makine öğrenmesi sınıflandırma algoritmaları kullanılarak meme kanseri tahmini

Breast cancer estimation by using machine learning classification algorithms

  1. Tez No: 644961
  2. Yazar: FATİH BATI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ PERİ GÜNEŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Meme Kanseri Tahmini, Makine Öğrenmesi, Sınıflandırma Algoritmaları Karşılaştırması, Breast Cancer Prediction, Machine Learning, Classification Algorithms Comparison
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 61

Özet

Meme kanseri, cilt kanserinden sonra kadınlarda en çok görülen diğer kanser türüdür. Bu kanser türü oldukça çeşitlilik gösteren bir hastalıktır. Bu tip meme kanserinin en sık görülen tipi“duktal karsinom”dur ve süt kanalında memenin lobundan küçük memeye süt taşıyan ince boruda gerçekleşir. Diğer bir meme kanseri tipi ise, memenin lobunda başlayan“lobüler karsinom”dur.“İnvaziv”meme kanseri, meme kanallarında veya lobüllerinde başladığı yerden başlayan normal dokuya yayılan meme kanseridir. Meme kanseri hem erkek hem de kadınlarda görülür, ancak erkek meme kanseri nadirdir. Yanma, yeni bir yumru algılanması veya meme derisindeki bir değişiklik belirtileri Meme kanseri erken teşhisinde kullanılan belirti ve bulgulardır ama her zaman yeterli değildir. Makine öğrenmesi ve sınıflandırma algoritmaları bu görevi yerine getirmek için güçlü araç ve tekniklerdir. Son yıllarda meme kanseri konusundaki tıp araştırmalarının en önemli yardımcısı makine öğrenmesidir. Bu çalışmada 357'si iyi huylu, 212'si kötü huylu olan 569 denekten oluşan“Wisconsin Meme Kanseri UCI”veri kümesi üzerinde çalışılmıştır. K-En Yakın Komşu, Lojistik Regresyon, Rastgele Orman, Destek Vektör Makineleri, Karar Ağacı, Naive Bayes ve Yapay Sinir Ağı algoritmaları arasında karşılaştırmalar yapılmıştır. Algoritmaların parametreleri değiştirilerek en iyi yüksek doğruluklar araştırılmıştır. Bu değişiklikler sonucunda, Lojistik Regresyon algoritması %97,7, Yapay Sinir Ağı algoritması %96,7 ve Destek Vektör Makineleri algoritması %96,5 oranında en iyi doğruluk değerine sahiptir.

Özet (Çeviri)

Breast cancer is the most common form of cancer in women after skin cancer. This type of cancer is a highly heterogeneous disease. This type of breast cancer is the most common type of ductal carcinoma and begins in the lining of the milk ducts. It is nothing but thin tubes that carry milk from the lobe of the breast to the small breast. Another type of breast cancer is lobular carcinoma that starts in the lobe of the breast. Invasive breast cancer is breast cancer that spreads to normal tissue that starts from where it starts in the breast canals or lobules. Breast cancer is seen in both men and women, but male breast cancer is rare. Breast cancer early burning symptoms can detect a new lump sensation or a change in the breast skin. These are signs and symptoms for early diagnosis of breast cancer. Machine learning and classification algorithms are a powerful tool and technique to accomplish this task. In recent years, the most important assistant in medical research on breast cancer is machine learning. In this study, Breast Cancer Wisconsin UCI dataset consisting of 569 subjects, 357 of which are benign and 212 of which are malignant, was studied. Comparisons were made between K-Nearest Neighbors, Logistic Regression, Random Forest, Support Vector Machines, Decision Tree, Naive Bayes and Artificial Neural Network. Accuracy was measured by changing the parameters of the algorithms. Logistic Regression has 97.7%, Artificial Neural Network algorithm has 96.7% and Support Vector Machines algorithm has 96.5% best accuracy.

Benzer Tezler

  1. Veri madenciliği teknikleri ile meme kanseri tahmini için mammogram görüntülerinin analizi

    An analysis of mammogram imagesfor breast cancer predictionusing data mining techniques

    MOHAMMED I.F MANSOUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Mekatronik MühendisliğiSakarya Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    ÖĞR. GÖR. MUSTAFA ÇAĞRI KUTLU

  2. Microwave spectroscopy based breast cancer diagnosis using support vector machines

    Destek vektör makineleri kullanılarak mikrodalga spektroskopi temelli meme kanseri tanısı

    EMRE ÖNEMLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

    DR. ÖĞR. ÜYESİ TUBA YILMAZ ABDOLSAHEB

  3. A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

    Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

    ÖMER FARUK GÜRCAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  4. Machine learning based augmentation of medical microwave imaging

    Medikal mikrodalga görüntülemenin makine öğrenmesiyle iyileştirilmesi

    MERVE KAPLAN ŞAFAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ÇAYÖREN

  5. Multiclass classification of hepatic anomalies based on in vivo microwave dielectric properties

    Hepatik anomalilerin in vivo mikrodalga dielektrik özelliklerine dayalı çok sınıflı sınıflandırılması

    ZEYNEP GÜLSÜM BİLGEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA YILMAZ ABDOLSAHEB