Geri Dön

Makine öğrenmesi ve derin öğrenme teknikleri ile meme kanserinin karşılaştırmalı sınıflandırılması

Comparative classification of breast cancer with machine learning and deep learning techniques

PDF İndir

  1. Tez No: 824408
  2. Yazar: MERVE KORKMAZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ KAPLAN KAPLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 98

Özet

Erken evrede meme kanserinin teşhis edilmesi hem tedavi sürecinin hızlandırılması hem de kanserin yayılmasının önüne geçilmesi açısından büyük önem taşımaktadır. Patoloji uzmanlarının deneyimi hastalığın doğru teşhisi açısından önemli rol oynamaktadır. Meme kanserinin doğru teşhisi üzerine birçok araştırma yapılmıştır. Bu tez çalışmasında, çeşitli makine öğrenmesi ve derin öğrenme teknikleri kullanılarak meme kanserinin sınıflandırılması gerçekleştirilmiştir. Sınıflandırma işlemi için öncelikle 1 uzaklık değeri ve 0°, 45° ve 90° açı değerleri kullanılarak Gri Seviye Eş Oluşum Matris (Gray Level Co-occurrence Matrix, GLCM) öznitelikleri çıkarılmıştır. Bu özniteliklere ek olarak istatistiksel öznitelikler de elde edilmiştir. Bu yöntemlerle elde edilen öznitelikler K-En Yakın Komşu (K Nearest Neighbor, K-NN), Karar Ağacı (Decision Tree, DT), Rastgele Orman (Random Forest, RF) ve LightGBM modelleri kullanılarak sınıflandırılmıştır. Makine öğrenmesi yöntemlerine ek olarak etkinliği kanıtlanmış önceden eğitilmiş VGG16, MobileNet ve DenseNet201 modellerinin yanı sıra özgün olarak oluşturulan bir CNN (Evrişimsel Sinir Ağı) modeli de sınıflandırma aşamasında kullanılmıştır. Makine öğrenmesi yöntemleri arasında en yüksek başarı oranı %74,91 doğruluk oranı ile istatistiksel öznitelikler ve RF modeli kullanılarak elde edilmiştir. Derin öğrenme yöntemlerinde ise en yüksek başarı oranı %95,54 doğruluk oranı ile MobileNet modeli ile elde edilmiştir.

Özet (Çeviri)

Diagnosing breast cancer at an early stage is of great importance in terms of both accelerating the treatment process and preventing the spread of cancer. The experience of pathologists plays an important role in the correct diagnosis of the disease. Many studies have been conducted on the correct diagnosis of breast cancer. In this thesis, classification of breast cancer was carried out using various machine learning and deep learning techniques. For the classification process, first of all, GLCM (Gray Level Co-occurrence Matrix) features were extracted by using the distance value of 1 and the angle values of 0°, 45° and 90°. In addition to these features, statistical features were obtained. The features obtained by these methods were classified using K-Nearest Neighbor (K-NN), Decision Tree (DT), Random Forest (RF) and LightGBM models. In addition to machine learning methods, pre-trained VGG16, MobileNet and DenseNet201 models with proven effectiveness, as well as an originally created Convolutional Neural Network (CNN) model were also used in the classification phase. The highest success rate among machine learning methods was obtained by using statistical features and RF model with an accuracy rate of 74.91%. In deep learning methods, the highest success rate was obtained with the MobileNet model with an accuracy rate of 95.54%.

Benzer Tezler

  1. Tez No

    843497

    Obtain anterior/posterior position of the tumor through machine learning

    Makine öğrenme yoluyla tümörün anterior/posterior pozisyonunu elde edin

    GOLSHAN GHOLAMPOUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik-Haberleşme Eğitimi Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

  2. Tez No

    751683

    Derin öğrenme ile sınıflandırma: Meme kanseri teşhisi

    Classification with deep learning: Breast cancer diagnosis

    ZAINAB SUBHI MAHMOOD HAWRAMI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İstatistikGazi Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. HACI HASAN ÖRKCÜ

  3. Tez No

    674941

    Sayısal patoloji görüntülerinin analizinde yenilikçi derin öğrenme yaklaşımlarının geliştirilmesi

    Development of innovative deep learning approaches in the analysis of digital pathology images

    YUSUF ÇELİK

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT KARABATAK

  4. Tez No

    692087

    Analysis of breast cancer classification robustness with radiomics feature extraction and deep learning techniques

    Radyomik özellik ekstraksiyonu ve derin öğrenme teknikleri ile meme kanseri sınıflandırma sağlamlığının analizi

    HARUN UR RASHID

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUS ÇEVİK

  5. Tez No

    896409

    Derin topluluk öğrenmesi modeli ile histopatolojik görüntüler üzerinde çok sınıflı kanser teşhisi

    Multi-class cancer diagnosis on histopathological images with deep ensemble learning model

    GİZEM YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖNDER YAKUT

Geri Dön