Breast cancer classification using effective machine learning techniques
Etkili makine öğrenmesi teknikleri kullanılarak meme kanseri sınıflandırması
- Tez No: 983699
- Danışmanlar: PROF. DR. MEHMET FATİH AKAY
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Meme kanseri, dünya genelinde kadınlar arasında önde gelen ölüm nedenlerinden biri olmaya devam etmektedir ve bu durum pratik tanı araçlarına olan acil ihtiyacı ortaya koymaktadır. Bu çalışmada, meme kanseri sınıflandırma doğruluğunu artırmak amacıyla geliştirilmiş bir makine öğrenimi algoritması sunulmaktadır. Sistem, özellik çıkarımı için derin çok katmanlı algılayıcı (Deep MLP), boyut indirgeme için özellik birleştirilmiş bir otomatik kodlayıcı (feature-fused autoencoder) ve kare ağırlık ayarlaması ile çapraz doğrulama kullanılarak optimize edilmiş ağırlık ayarlı bir karar ağacı sınıflandırıcısını entegre etmektedir. Önerilen yöntemin sonuçları, sağlamlık ve genellenebilirliği sağlamak amacıyla Wisconsin meme kanseri veri kümesi üzerinde k-katlı çapraz doğrulama kullanılarak test edilmiştir. Ayrıca, gizli katman birimi sayısı, bırakma oranı (dropout rate), yığın boyutu (batch size) ve eğitim-test yüzdeleri gibi çeşitli hiperparametreler altında optimizasyon yapılmıştır. Tüm bu koşullar altında modelin performansı; doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), F1-skoru ve eğri altı alan (AUC) gibi temel metriklerle değerlendirilmiştir. Elde edilen sonuçlar, bu yaklaşımın geleneksel sınıflandırma yöntemlerinden daha iyi performans gösterdiğini ve veri bölümleri arasında yüksek doğruluk ve güçlü bir performans sergilediğini ortaya koymaktadır. Bu araştırmanın temel katkısı, derin öğrenme, otomatik kodlayıcı ve karar ağacı yöntemlerini birleştiren yeni bir çerçevenin geliştirilmesi olup, sistemin meme kanseri teşhisinde güçlü bir potansiyele sahip olduğunu ve hekimlere güvenilir, etkili bir araç sunduğunu göstermektedir. Ayrıca, geleneksel meme kanseri veri setlerine göre çok daha büyük ve çeşitli olan METABRIC veri setinin kullanılması, önerilen hibrit modelin değerlendirilmesi için güçlü bir test ortamı sağlamıştır. Klinik ve genomik özelliklerin zenginliği, modelin genelleme kapasitesinin daha kapsamlı bir şekilde doğrulanmasına olanak tanımış ve karmaşık gerçek dünya verilerini işleme konusundaki etkinliğini ortaya koymuştur.
Özet (Çeviri)
Breast cancer remains a leading cause of death among women worldwide, underscoring the urgent need for practical diagnostic tools. This work presents an advanced machine learning algorithm designed to enhance the classification accuracy of breast cancer. The system integrates a deep multi-layer perceptron (Deep MLP) for feature extraction, a feature-fused autoencoder for efficient dimensional reduction, and a weight-tuned decision-tree classifier optimized by cross-validation and square weight adjustment. The Wisconsin breast cancer dataset is utilized to test the results of the method rigorously using k-fold cross-validation. Optimizing performance has been done under different hyperparameters, namely, the number of hidden units, dropout rate, batch size, as well as test-train percentages. The performance of the model was evaluated under all the given conditions for key Metrics. These are the Accuracy, Precision, Recall, F1-score, and area under the curve (AUC). Using the above metrics, the model was able to distinguish malignant and benign tumors. Our findings show that this approach performs better than traditional classification methods, leading to accurate and robust results across several data partitions. This research contributes to a new framework pertaining to deep learning, Auto-encoder, and decision tree, which clearly shows that this framework has a very high probability of impacting breast cancer diagnosis while providing usefulness to physicians. Furthermore, the use of the METABRIC dataset ,which is substantially larger and more diverse than classical breast cancer datasets ,provided a robust evaluation environment for the proposed hybrid model. Its rich clinical and genomic features enabled deeper validation of the model's generalization capability and demonstrated its effectiveness in handling complex, real-world data.
Benzer Tezler
- Meme kanseri histopatolojik görüntülerinin derin öğrenme yöntemleriyle sınıflandırılması
Classification of breast cancer histopatological images using deep learning methods
KADİR CAN BURÇAK
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- Makine öğrenmesi yöntemleriyle kanser ile ilgili yeni biyobelirteçlerin tespit edilmesi
Identification of novel systems biomarkers for cancer diagnosis using machine learning techniques
FIRAT KURT
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA AĞAOĞLU
PROF. DR. KAZIM YALÇIN ARĞA
- Antenna design for breast cancer detection and machine learning approach for birth weight prediction
Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı
HALUK KIRKGÖZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR KURT
- Yapay zeka ile meme kanseri teşhisi
Breast cancer diagnosis with artificial intelligence
İLKER ÇAKAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Makine öğrenmesi yöntemleri ile kanser hastalığı teşhisi
Cancer disease diagnosis with machine learning methods
EBRU AYDINDAĞ BAYRAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaMühendislik Bilimleri Ana Bilim Dalı
PROF. DR. PINAR KIRCI
DR. ÖĞR. ÜYESİ TOLGA ENSARİ