Makine öğrenmesi teknikleriyle mikrodalga meme kanserinin tespiti ve konumunun belirlenmesi
Detection and localization of microwave breast cancer by machine learning techniques
- Tez No: 725730
- Danışmanlar: DOÇ. DR. BİROL ASLANYÜREK
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Matematik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 57
Özet
Meme kanseri diğer kanser türlerine göre kadınlarda en yaygın olarak görülen türdür. Erken teşhisi hastanın hayatının kurtulmasında önemli rol oynamaktadır. Meme kanserinin konumunun belirlenmesi ve erken teşhisi için geçmişte ve günümüzde çok sayıda çalışma yapılmaktadır. Elektromanyetik dalgaların kullanımı, uygulanma rahatlığı, tümörlere duyarlılık ve mikrodalga frekanslarında iyonlaştırıcı olmamaları nedeniyle, meme kanseri tespiti için umut verici bir tekniktir. Mikrodalga tomografisi en sık kullanılan mikrodalga meme görüntüleme yaklaşımlarından biridir ve bu yaklaşımda genellikle bütün meme görüntülenmeye çalışılır. Bu durumda, yüksek düzeyde matematiksel ve hesaplama karmaşıklığı olan bir ters saçılma problemi ile uğraşmak gerekir. Bu zorluklardan kaçınmak adına, bir tümörün varlığının tespiti veya konumunun belirlenmesi için sınıflandırma algoritmaları kullanılabilir. Bu çalışmanın amacı, mikrodalgalar aracılığıyla meme kanserinin tespiti ve konumunun belirlenmesi için çeşitli makine öğrenmesi tekniklerini kullanarak inceleme yapmaktır. Bu yaklaşımda, meme modeli bir dizi verici anten aracılığı ile tek frekanslı zaman harmonik dalgalar ile ayrı ayrı aydınlatılır ve meme çevresinde bulunan alıcı antenler ile saçılan alan ölçülür. Çalışmada, iki boyutlu gerçekçi sayısal meme modelleri kullanılarak, moment yöntemi aracılığıyla düz saçılma problemi çözülmüş ve saçılan alanlar sayısal olarak hesaplanmıştır. Farklı boyut ve konumlardaki tümörleri içeren veya tümör içermeyen yani sağlıklı meme modelleri kullanılarak sentetik olarak üretilen saçılan alanlar eğitim ve test veri setlerini oluşturmaktadır. Çalışmada, veriler %70 oranında eğitim, %30 oranında test amaçlı kullanılmıştır. Elde edilen sonuçlar; destek vektör makinesi, naive bayes, karar ağaçları, topluluk sınıflandırıcılar, k-en yakın komşu algoritması, diskriminant analizi ve yapay sinir ağları makine öğrenmesi algoritmalarının, tümörlerin hem varlığının tespiti hem de konumlarının belirlenmesi açısından, farklı meme modelleri için kullanılabileceğini göstermektedir.
Özet (Çeviri)
Breast cancer is most common in women, rather than other types of cancer. Early diagnosis plays an important role in saving the patient's life. Today, many studies are carried out to determine the location and early diagnosis of breast cancer. The use of electromagnetic waves is a promising technique for breast cancer detection due to its ease of application, sensitivity to tumors, and non-ionizing at microwave frequencies. Microwave tomography is one of the most used microwave breast imaging approaches, and in this approach, the whole breast is usually tried to be imaged. In this case, it is necessary to deal with an inverse scattering problem with high mathematical and computational complexity. To avoid these difficulties, classification algorithms can be used to detect the presence or localization of a tumor. The aim of this study is to examine using various machine-learning techniques to detect and locate breast cancer through microwaves. In this approach, the breast model is illuminated separately with single frequency time harmonic waves via a series of transmit antennas and the scattered field is measured with the receiving antennas around the breast. In the study, using two-dimensional realistic numerical breast models, the direct scattering problem was solved by the method of moment and the scattering fields were calculated numerically. Scattered fields produced synthetically using breast models with or without tumors of different sizes and locations constitute the training and test datasets. In the study, 70% of the data were used for training and 30% for testing. Obtained results show that the machine learning algorithms such as support vector machine, naive bayes, decision trees, ensemble classifiers, k-nearest neighbor algorithm, discriminant analysis and artificial neural networks can be used for detection and localization of tumors in different breast models.
Benzer Tezler
- Sınıflandırma algoritmaları kullanılarak mikrodalga verileri ile beyin lezyonlarının varlığının ve konumunun tespit edilmesi
Microwave brain lesion detection and localization by using classification algorithms
RABİA KIYMAZ
Yüksek Lisans
Türkçe
2022
MatematikYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜLYA ŞAHİNTÜRK
- Harmonik radar ve makine öğrenmesi kullanılarak doğrusal olmayan saçıcıların geliştirilmiş mikrodalga görüntülemesi
Improved microwave imaging of nonlinear scatterers using harmonic radar and machine learning
ONUR ARI
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET KIZILAY
DOÇ. DR. CÜNEYT UTKU
- Makine öğrenmesi teknikleriyle mobil ödemede sahtekarlık tespiti
Fraud detection in mobile payment with machine learning methods
ÖZLEM GÜVEN
Yüksek Lisans
Türkçe
2021
EkonometriDokuz Eylül ÜniversitesiEkonometri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN ARAS
- Makine öğrenmesi teknikleriyle göl seviyesi tahmini: Büyük Göller örneği
Lake level estimation with machine learning techniques: Great Lakes example
MEHMET FEHMİ YILDIZ
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiKTO Karatay Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. VAHDETTİN DEMİR
- Makine öğrenmesi teknikleriyle kripto para duygu analizi
Başlık çevirisi yok
GÜL CİHAN HABEK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MANSUR ALP TOÇOĞLU
DOÇ. DR. AYTUĞ ONAN