AI Summary & Key Takeaways
AI InsightComparison of the performances of both methods was made by looking at the values of accuracy, sensitivity, precision, selectivity, F-score and AUC (area under the curve).
📌 3 Key Takeaways
Abstract
Breast cancer is one the most common types of cancers among the women in the world. Today different scanning techniques have been used to diagnose breast cancers but these methods are sometimes directed to unnecessary biopsy. In this study, the class of the mammographic mass was determined from the values of the characteristics of the patient and the mass by using decision trees and artificial neural networks methods, which are machine learning techniques. GINI algorithm is used in decision trees and RapidMiner program was used. In artificial neural networks, feed forward back propagation network model is used through the program written in MATLAB. The data set used in this study is consisted of 961 samples obtained at Erlangen-Nuremberg University, Intstitute of Radiology, Department of Ginecological Radiology. There are 5 attributes in each sample. These attributes contain BI-RADS (breast imaging reporting and data systems) value, age, mass shape, mass margin and information about mass density. Our approach distinguished the masses contained at mammography into two different groups as benign and malign masses. Comparison of the performances of both methods was made by looking at the values of accuracy, sensitivity, precision, selectivity, F-score and AUC (area under the curve).
Özet
Meme Kanseri, dünyada kadınlar arasında ölüme neden olabilen kanser tiplerinin en sık görülenlerinden biridir. Günümüzde meme kanseri teşhisinde farklı görüntüleme yöntemleri kullanılmakla birlikte bu yöntemler zaman zaman gereksiz biyopsiye yönlendirebilmektedir. Bu çalışmada, Makine Öğrenmesi Tekniklerinden, Karar Ağaçları ve Yapay Sinir Ağları yöntemleri kullanılarak mamografik kitlenin sınıfı, hastaya ve kitleye ait özelliklerin değerinden tespit edilmiştir. Karar Ağaçlarında, GINI algoritması kullanılmış ve RapidMiner programından yararlanılmıştır. Yapay Sinir Ağlarında, ileri beslemeli geri yayılımlı ağ modeli MATLAB’de yazılan program aracılığı ile kullanılmıştır. Bu çalışmada kullanılan veri seti, Erlangen-Nuremberg Üniversitesi, Radyoloji Enstitüsü, Jinekolojik Radyoloji bölümünden elde edilen 961 örnekten oluşmaktadır. Her örnek için 5 adet özellik mevcuttur. Bu özellikler, BI-RADS (Meme Görüntüleme Raporlama ve Veri Sistemleri) değerlendirmesi, Yaş, Kitle Şekli, Kitlenin Kenar Boşluğu ve Kitlenin Yoğunluğu bilgilerini içermektedir. Yaklaşımımız, mamografide tespit edilen kitleleri iyi huylu ve kötü huylu olmak üzere iki farklı sınıfa ayırmaktadır. Her iki yöntemin başarı analizleri ve karşılaştırılması, hata matrisindeki değerler kullanılarak doğruluk, duyarlılık, kesinlik, seçicilik ve F-skor değerlerine bakılarak yapılmıştır.