| dc.contributor.author | Sena Busra YENGEC TASDEMIR | |
| dc.contributor.author | Kasim TASDEMIR | |
| dc.contributor.author | Zafer AYDIN | |
| dc.date.accessioned | 2021-06-18T07:58:22Z | |
| dc.date.available | 2021-06-18T07:58:22Z | |
| dc.date.issued | 2020 | en_US |
| dc.identifier.issn | 1308-6693 | |
| dc.identifier.issn | 1308-6693 | |
| dc.identifier.uri | https://doi.org/ https://doi.org/10.21923/jesd.827131 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12573/800 | |
| dc.description.abstract | Radyoloji uzmanlarının mamografi görüntülerine bakarak yaptığı meme kanseri teşhislerinde tip bir hata oranı yüzde otuzlara kadar çıkmaktadır. Kanserin teşhis başarısını artırmak adına bu çalışmada uzmanlara yardımcı olacak yeni bir Bilgisayar Yardımlı Teşhis sistemi, kanserli ve normal dokuyu ayırt etmek için önerilmektedir. Önerilen sistemde kontrast limitli histogram eşitleme (CLAHE) yöntemiyle iyileştirilen görüntülerin iki boyutlu parçacık dönüşümlerinden (2B– DWT) Haralick ve HOG öznitelikleri çıkarılmıştır. Özniteliklerin sayısını azaltması için temel bileşenler analizi (PCA) algoritması kullanılmıştır. Seçilen öznitelikler çok katmanlı algılayıcı (MLP) mimari yapısına sahip yapay sinir ağına (YSA) girdi olarak verilmiştir. Çok katmanlı algılayıcı üzerinde Adam eniyileme yapıldığında %81 tespit doğruluğu yakalanmıştır. Ayrıca, diğer bir çok temel makine öğrenmesi ve derin öğrenme yöntemleri denenerek karşılaştırma sonuçları detaylı olarak sunulmuştur. Sınırlı sayıda veri kümesi kullanıldığında transfer öğrenim kullanılsa dahi derin öğrenme yöntemlerinin tespit başarısı azalmıştır. Buna karşılık doğru ön işleme, öznitelik seçilimi ve makine öğrenmesi yaklaşımları kullanıldığı zaman geleneksel bilgisayarlı görü yöntemleri daha başarılı sonuçlar vermiştir | en_US |
| dc.language.iso | tur | en_US |
| dc.publisher | TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi | en_US |
| dc.relation.isversionof | https://doi.org/10.21923/jesd.827131 | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Transfer Learning with Deep Learning | en_US |
| dc.subject | Computer Vision | en_US |
| dc.subject | Machine Learning | en_US |
| dc.subject | Computer Aided Cancer Detection | en_US |
| dc.title | YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI | en_US |
| dc.title.alternative | TEXTURAL FEATURE BASED REGION OF INTEREST CLASSIFICATION USING ANN FROM MAMMOGRAMS | en_US |
| dc.type | article | en_US |
| dc.contributor.department | AGÜ, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü | en_US |
| dc.identifier.volume | Cilt: 8 Sayı: 5 Sayfa 133 - 141 | en_US |
| dc.relation.journal | Mühendislik Bilimleri ve Tasarım Dergisi | en_US |
| dc.relation.publicationcategory | Makale - Ulusal - Editör Denetimli Dergi | en_US |
