Research Article
BibTex RIS Cite

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

Year 2020, Volume: 36 Issue: 2, 151 - 160, 17.08.2020

Tayyip Özcan

Abstract

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.

Keywords

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

References

  • 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.

Year 2020, Volume: 36 Issue: 2, 151 - 160, 17.08.2020

Tayyip Özcan

Abstract

References

  • 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.
There are 22 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Computer
Authors

Tayyip Özcan

Publication Date August 17, 2020
Published in Issue Year 2020 Volume: 36 Issue: 2

Cite

APA Özcan, T. (2020). Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 36(2), 151-160.
AMA Özcan T. Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. August 2020;36(2):151-160.
Chicago Özcan, Tayyip. “Yığınlanmış Özdevinimli Kodlayıcılar Ile Göğüs Kanserinin Sınıflandırılması Ve Klasik Makine Öğrenme Metotları Ile Performans Karşılaştırması”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 36, no. 2 (August 2020): 151-60.
EndNote Özcan T (August 1, 2020) Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 36 2 151–160.
IEEE T. Özcan, “Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması”, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, vol. 36, no. 2, pp. 151–160, 2020.
ISNAD Özcan, Tayyip. “Yığınlanmış Özdevinimli Kodlayıcılar Ile Göğüs Kanserinin Sınıflandırılması Ve Klasik Makine Öğrenme Metotları Ile Performans Karşılaştırması”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 36/2 (August 2020), 151-160.
JAMA Özcan T. Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2020;36:151–160.
MLA Özcan, Tayyip. “Yığınlanmış Özdevinimli Kodlayıcılar Ile Göğüs Kanserinin Sınıflandırılması Ve Klasik Makine Öğrenme Metotları Ile Performans Karşılaştırması”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, vol. 36, no. 2, 2020, pp. 151-60.
Vancouver Özcan T. Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2020;36(2):151-60.
 Download Cover Image

✯ Etik kurul izni gerektiren, tüm bilim dallarında yapılan araştırmalar için etik kurul onayı alınmış olmalı, bu onay makalede belirtilmeli ve belgelendirilmelidir.
✯ Etik kurul izni gerektiren araştırmalarda, izinle ilgili bilgilere (kurul adı, tarih ve sayı no) yöntem bölümünde, ayrıca makalenin ilk/son sayfalarından birinde; olgu sunumlarında, bilgilendirilmiş gönüllü olur/onam formunun imzalatıldığına dair bilgiye makalede yer verilmelidir.
✯ Dergi web sayfasında, makalelerde Araştırma ve Yayın Etiğine uyulduğuna dair ifadeye yer verilmelidir.
✯ Dergi web sayfasında, hakem, yazar ve editör için ayrı başlıklar altında etik kurallarla ilgili bilgi verilmelidir.
✯ Dergide ve/veya web sayfasında, ulusal ve uluslararası standartlara atıf yaparak, dergide ve/veya web sayfasında etik ilkeler ayrı başlık altında belirtilmelidir. Örneğin; dergilere gönderilen bilimsel yazılarda, ICMJE (International Committee of Medical Journal Editors) tavsiyeleri ile COPE (Committee on Publication Ethics)’un Editör ve Yazarlar için Uluslararası Standartları dikkate alınmalıdır.
✯ Kullanılan fikir ve sanat eserleri için telif hakları düzenlemelerine riayet edilmesi gerekmektedir.