Atıf Sayısı
1
Görüntüleme
46
İndirme
30
Meme kanseri teşhisinde kullanılan mamografilerdeki anormalliklerin sınıflandırılması için makine öğrenme araştırmaları büyük önem arz etmektedir. Bu çalışmada Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM) görüntü tabanındaki kitleli ve kalsifikasyonlu mamografi görüntüleri sınıflandırılmıştır. Veri setindeki görüntülerden Yerel İkili Örüntü(YİÖ), Yerel Türev Örüntü, Yerel Dörtlü Örüntü(YDÖ), ve Gürültüye Dirençli Yerel İkili Örüntü yöntemleri ile doku öznitelikleri çıkarılmıştır. Öznitelik çıkarım yöntemlerinden yerel çarpıklık örüntü tabanlı ayrıntılı histogram yöntemiyle de öznitelik çıkarımı yapılmıştır. Daha sonra öznitelik vektörleri doğrusal ve radyal tabanlı fonksiyon kernel destek vektör makineleri(DVM) ve yapay sinir ağları (YSA) kullanılarak sınıflandırılmıştır. Eğitim ve doğrulama verisi için 5-kez çapraz doğrulama yöntemi uygulanmıştır. En yüksek sınıflandırma performansı veren eşik seviyeleri ve pencere boyutları her bir öznitelik çıkarım yöntemi için belirlenmiştir. Öznitelik çıkarımı için gerekli olan süreler tablo halinde verilmiştir. Öznitelik çıkarım yöntemi olarak farklı çap ve nokta sayısı ile hesaplanmış YİÖ vektörleri füzyonu ve sınıflandırıcı olarak 2 gizli katmanlı YSA kullanılması durumunda test verisi için %85.74 başarı oranı elde edilmiştir. Elde edilen başarı oranları literatürdeki makine öğrenmesi sonuçlarına göre yüksek ve derin öğrenme sonuçları ile kıyaslanabilir sonuçlardır.
Machine learning research is of great importance for the classification of abnormalities in mammography used in breast cancer diagnosis. Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM) From the images in the data set, the tissue properties have been removed with Local Twin Spray (YÖ), Local Twin Spray (YÖ), Local Fourth Spray (YÖ), and Local Twin Spray Resistant to Noise methods. It is also done with a detailed histogram method based on the local disturbance sample from the specificity extraction methods. Subsequently, proprietary vectors were classified using linear and radial-based function core support vector machines (DVM) and artificial nerve networks (YSA). The 5-fold cross-verification method has been applied for training and verification data. The edge levels and window sizes that give the highest classification performance are determined for each specific extraction method. The time required for the output is given in the table. As a specific extraction method, the success rate for the test data is 85.74% for the use of the 2 secret layers of YSA as a classifier and the Fusion of the YÖ vectors calculated with the different diameter and number of points. The achieved success rates are comparable to high and deep learning results according to machine learning results in literature.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
