Tiryaki, Volkan Müjdat2024-12-242024-12-2420202147-31292147-3188https://search.trdizin.gov.tr/tr/yayin/detay/378503https://hdl.handle.net/20.500.12604/5562Meme kanseri teşhisinde kullanılan mamografilerdeki anormalliklerin sınıflandırılması için makine öğrenmearaştırmaları büyük önem arz etmektedir. Bu çalışmada Curated Breast Imaging Subset of Digital Database forScreening Mammography (CBIS-DDSM) görüntü tabanındaki kitleli ve kalsifikasyonlu mamografi görüntülerisınıflandırılmıştır. Veri setindeki görüntülerden Yerel İkili Örüntü(YİÖ), Yerel Türev Örüntü, Yerel DörtlüÖrüntü(YDÖ), ve Gürültüye Dirençli Yerel İkili Örüntü yöntemleri ile doku öznitelikleri çıkarılmıştır. Öznitelikçıkarım yöntemlerinden yerel çarpıklık örüntü tabanlı ayrıntılı histogram yöntemiyle de öznitelik çıkarımıyapılmıştır. Daha sonra öznitelik vektörleri doğrusal ve radyal tabanlı fonksiyon kernel destek vektörmakineleri(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 vepencere boyutları her bir öznitelik çıkarım yöntemi için belirlenmiştir. Öznitelik çıkarımı için gerekli olan sürelertablo halinde verilmiştir. Öznitelik çıkarım yöntemi olarak farklı çap ve nokta sayısı ile hesaplanmış YİÖ vektörlerifüzyonu ve sınıflandırıcı olarak 2 gizli katmanlı YSA kullanılması durumunda test verisi için %85.74 başarı oranıelde edilmiştir. Elde edilen başarı oranları literatürdeki makine öğrenmesi sonuçlarına göre yüksek ve derinöğrenme sonuçları ile kıyaslanabilir sonuçlardır.trinfo:eu-repo/semantics/openAccessOnkoloji,Bilgisayar BilimleriYapay ZekaArticle91297305378503