SavedAdd your journal

Journals / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2026 / Cilt: 11 Sayı: 2

Göğüs Verileri Metrikleri Üzerinden Kanser Sınıflandırılması

Emine Cengil(Fırat Üniversitesi)0000-0003-4313-8694
Ahmet Çınar(Fırat Üniversitesi)0000-0001-5528-2226
Pages
513–519
Publication Date
2020-06-15
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Çalışmada hassasiyet, kesinlik, f1-skoru ve karmaşıklık matrisi gibi performans ölçümlerine ait sonuçlar da verilerek yöntemin başarısı desteklenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Göğüs kanseri dünyada kadınlar arasında en sık karşılaşılan kanserlerden birisidir.
📊
Key Findings & Data:Uygulama sonuçları sınıflandırma başarımının % 98 civarında olduğunu göstermektedir.
💡
Conclusion & Impact:Çalışmada hassasiyet, kesinlik, f1-skoru ve karmaşıklık matrisi gibi performans ölçümlerine ait sonuçlar da verilerek yöntemin başarısı desteklenmiştir.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:Göğüs kanseri · Sinir Ağları · Çok Katmanlı Algılayıcılar

Özet

Göğüs kanseri dünyada kadınlar arasında en sık karşılaşılan kanserlerden birisidir. Hastalık erken teşhis edilmediğinde ölüme yol açabilmektedir. Göğüs kanseri tümörünün doğru bir şekilde sınıflandırılması tıbbi alanda zorlu bir problemdir. Bu çalışmada, iğne aspirasyon tekniği kullanılarak biyopsi parçasından çıkartılmış metrik verileri içeren Breast Cancer Wisconsin (Diagnostic) veri seti kullanılarak kanser veya kanser değil ikili sınıflandırılması gerçekleştirilmektedir. Sınıflandırma işlemi için sinir ağları mimarisi ve keras derin öğrenme kütüphanesi araçlarından yararlanılır. Uygulama sonuçları sınıflandırma başarımının % 98 civarında olduğunu göstermektedir. Çalışmada hassasiyet, kesinlik, f1-skoru ve karmaşıklık matrisi gibi performans ölçümlerine ait sonuçlar da verilerek yöntemin başarısı desteklenmiştir.

🔖

Cite This Article

Cengil, E., Çınar, A. (2020). Göğüs Verileri Metrikleri Üzerinden Kanser Sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 11 Sayı: 2, 513–519. https://doi.org/10.24012/dumf.578606

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Cengil E., Çınar, A., (2017). Image classification with caffe deep learning framework. In Computer Science and Engineering (UBMK), International Conference on (pp. 440-444). IEEE.
  2. Sette G., Salvati V., Giordani I., Pillozzi E., Quacquarini D., Duranti E., De Nicola F., Pallocca M., Fanciulli M., Falchi M., Pallini R., Conditionally reprogrammed cells (CRC) methodology does not allow the in vitro expansion of patient‐derived primary and metastatic lung cancer cells. International journal of cancer. 2018.
  3. Phonethep D., Boonjing V., Building Minimal Classification Rules for Breast Cancer Diagnosis. 2018 10th International Conference on Knowledge and Smart Technology (KST). IEEE, 2018.
  4. Amrane M., Oukid S., Gagaoua I., Ensarİ T., Breast cancer classification using machine learning. In 2018 Electric Electronics, Computer Science, Biomedical Engineerings' Meeting (EBBT) (pp. 1-4). IEEE. 2018.
  5. Aksebzeci H. B., ve Kayaalti Ö., Computer-aided classification of breast cancer histopathological images. Medical Technologies National Congress (TIPTEKNO), 2017. IEEE, 2017.
  6. Ting, F.F., Yen J.T., and Kok S. S., Convolutional neural network improvement for breast cancer classification. Expert Systems with Applications 120 (2019): 103-115.
  7. Dora, L., Agrawal S., Panda R. And Abraham A., Optimal breast cancer classification using Gauss–Newton representation based algorithm." Expert Systems with Applications 85 (2017): 134-145.
  8. Liu N., Qi E.S., Xu M., Gao B., Liu G.Q., A novel intelligent classification model for breast cancer diagnosis. Information Processing & Management, 56(3), 609-623, 2019.
  9. Toğacar M., and Ergen B., Deep Learnıng Approach For Classıfıcatıon Of Breast Cancer. 2018 International Conference on Artificial Intelligence and Data Processing (IDAP). IEEE, p. 1-5, 2018.
  10. Francois C., Deep learning with python. Manning Publications Co., 2017.
  11. Doğan G., (2010). Yapay Sinir Ağları Kullanılarak Türkiye’deki Özel Bir Sigorta Şirketinde Portföy Değerlendirmesi, Yüksek Lisans Tezi, Hacettepe Üniversitesi, İstatistik Bölümü.
  12. Cengil E., Cinar A.,(2016). A New Approach for Image Classification: Convolutional Neural Network, European Journal of Technic (EJT), 6(2), 96-103.
  13. Wolbergh W.H., Street W.N., Mangasarian OL. March 2011. Breast Cancer Wisconsin (Diagnostic) Data Set.
  14. Hossin M., and Sulaiman M.N., "A review on evaluation metrics for data classification evaluations." International Journal of Data Mining & Knowledge Management Process 5.2 (2015): 1.