Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi. Hazırlayan: Nury Amanmadov

Ebat: px

Şu sayfadan göstermeyi başlat:

Download "Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi. Hazırlayan: Nury Amanmadov"

Hazan Sezen
8 yıl önce
İzleme sayısı:

1 Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi Hazırlayan: Nury Amanmadov

2 Göğüs Kanseri Nedir? Gögüs Kanseri göğüs hücrelerinde başlayan kanser türüdür. Akciğer kanserinden sonra görülme sıklığı en yüksek olan kanser tipidir. Her 8 kadından birinin hayatının belirli bir zamanında meme kanserine yakalanacağı bildirilmektedir. Erkeklerde de görülmekle beraber, kadın vakaları erkek vakalarından 100 kat fazladır.

Her 8 kadından birinin hayatının belirli bir zamanında meme kanserine yakalanacağı

3 Kanser Nasıl Oluşur? Vücudumuzdaki sağlıklı hücreler bölünebilme yeteneğine sahiptirler. Her hücrenin hayatı boyunca belli bir bölünebilme sayısı vardır. Sağlıklı bir hücre ne kadar bölüneceğini bilir ve gerektiğinde ölmesini de bilir. Bazen buna rağmen süreç doğru yoldan sapar, yeni hücrelere gerek olmadan hücreler bölünmeye devam eder.

Her hücrenin hayatı boyunca belli bir bölünebilme sayısı vardır.

4 Kanser Nasıl Oluşur? Bilincini kaybetmiş kanser hücreleri, kontrolsüz bölünmeye başlar ve çoğalırlar. Fazla hücrelerin kütleleri bir büyüklük veya tümör oluştururlar. Kanser hücreleri birikerek tümörleri oluştururlar.

5 Tümör Nedir? Kontrol dışı çoğalan hücrelerin kütlelerine tümör denmektedir. Tümörler ikiye ayrılır. İyi huylu tümörler(benign Tumors) Kötü huylu tümörler(malignant Tumors)

6 İyi huylu tümörler (Benign Tumors) İyi huylu tümörler kanser değildir. Bunlar sıklıkla alınırlar ve çoğu zaman tekrarlamazlar. İyi huylu tümörlerdeki hücreler vücudun diğer taraflarına yayılmazlar. En önemlisi iyi huylu tümörler nadiren hayatı tehdit ederler. İyi huylu tümörler cerrahi olarak alınabilirler ve tekrar ortaya çıkmazlar.

İyi huylu tümörlerdeki hücreler vücudun diğer taraflarına yayılmazlar.

7 Kötü huylu tümörler (Malignant Tumors) Kötü huylu tümörler kanserdir. Kötü huylu tümörlerdeki hücreler anormaldirler ve kontrolsüz ve düzensiz bölünürler. Bu tümörler normal dokuları sıkıştırabilirler, içine sızabilirler ya da tahrip edebilirler. Gittikleri yerlerde tümör kolonileri oluşturur ve büyümeye devam ederler. Bunlar iyi huylu tümörlerden çok daha hızlı çoğalıp büyürler.

Bu tümörler normal dokuları sıkıştırabilirler, içine sızabilirler ya da tahrip edebilirler.

8 Teşhis Nasıl Konur? Oluşan kitlenin iyi huylu veya kötü huylu olduğunu kesin anlamanın tek bir yolu vardır o da Biopsi ile mikroskopik tetkik sonucu tanı koymak. Ama bazı özellikler varki, o kitlenin daha çok neye benzediği konusunda muayene eden hekime ortalama bir fikir verebilir. Göğüs kanseri doktorları en çok meşgul eden kanser çeşididir. Dolayısıyla bu konuda çok çeşitli çalışmalar yapılmaktadır.

ile mikroskopik tetkik sonucu tanı koymak.

9 Teşhis Nasıl Konur? Bilgisayar teknolojilerindeki ilerleme ve biyoenformatik gibi bilgisayar bilimleri alanının bilgi teknolojilerindeki gelişmeleri tıp dünyasına taşımasıyla birtakım tekniklerin tıbbi çalışmalara uygulamasına verilebilecek en iyi örneklerden birisi de kanser ve çeşitli hastalıkların teşhisidir. University of Wisconsin ve Madison Clinical Sciences Center işbirliğiyle yürütülen göğüs kanseri teşhisi çalışması da bunlardan biridir.

teknolojilerindeki gelişmeleri tıp dünyasına taşımasıyla birtakım tekniklerin tıbbi çalışmalara uygulamasına

10 Wisconsin Diagnostic Breast Cancer veriseti Wisconsin Hospital çalışanı olan Dr.William Wolberg tarafından iğne ucu genişliğindeki bir kitlenin biyopsiyle alınarak görüntülenmesi ve bu görüntülerin University of Wisconsin Bilgisayar Bilimleri bölümü araştırmacılarından William Nick Street tarafından Kasım 1995 tarihinde dijitalleştirilmesiyle verisetimiz elde edilmiştir.

görüntülenmesi ve bu görüntülerin University of Wisconsin Bilgisayar Bilimleri bölümü

11 WDBC veriseti Veristemizde 2 sınıfa ait toplam 569 örnek bulunmaktadır. Sınıflarımız B (iyi huylu tümör) ve M (kötü huylu tümör) olup örneklerimizden 357 adedi B ve 212 adedi M sınıfına aittir. Verisetimizde örneğin ID si ve sınıf etiketi dahil toplam 32 özellik bulunmaktadır. Yani sınıflandırma için kullanacağımız özellik sayısı 30. Boş veya eksik değer içeren hiçbir özellik bulunmamaktadır.

12 WDBC veriseti Özelliklerimizden bazıları şunlardır Hücre yarıçapı Hücrenin çevre uzunluğu Hücrenin alanı Hücrenin yoğunluğu Hücrenin simetrisi Hücrenin pürüzsüzlüğü

13 Sınıflandırma için kullandığım yöntemler: Naïve-Bayes Destek Vektör Makineleri (SMO) Karar Ağaçları (J48) Çok Katmanlı Perceptron (MLP) K - En Yakın Komşu (IBK)

14 Çalışmamız için WEKA aracını kullanıyoruz WEKA, Yeni Zellanda daki Waikato Üniversitesi tarafından geliştirilmiş, makine öğrenimi algoritmalarının bir arada barındıran, işlevsel bir grafik arabirimine sahip, açık kaynak kodlu bir veri madenciliği programıdır. WEKA çeşitli veri ön işleme, sınıflandırma, regresyon, kümeleme, ilişkilendirme kuralları ve görselleştirme araçları içerir. WEKA üzerinde yaptığım bu çalışmada makine eğitilirken k- fold cross validation yöntemi kullanılmış ve k değeri standart ve en çok kullanılan değer olan 10 seçilmiştir.

WEKA çeşitli veri ön işleme, sınıflandırma, regresyon, kümeleme, ilişkilendirme kuralları ve görselleştirme araçları içerir.

15 Naïve Bayes Yöntemi için sonuçlar Correctly Classified Instances % Incorrectly Classified Instances % Gerçek Sınıf Tahmin Edilen Sınıf Malignant Benign Malignant Benign

9701% Incorrectly Classified Instances 40 7.

16 Naïve Bayes Yöntemi için sonuçlar TP Rate FP Rate Precision Recall F- Measure ROC Area Class M B W.Avg

896 0.05 0.913 0.896 0.905 0.98 M 0.95 0.104 0.

17 Çok Katmanlı Perceptron Yöntemi için sonuçlar (MLP) Correctly Classified Instances % Incorrectly Classified Instances % Gerçek Sınıf Tahmin Edilen Sınıf Malignant Benign Malignant Benign 8 349

660800% Incorrectly Classified Instances 19 3.

18 Çok Katmanlı Perceptron Yöntemi için sonuçlar (MLP) TP Rate FP Rate Precision Recall F- Measure ROC Area Class M B W.Avg

0.948 0.022 0.962 0.948 0.955 0.993 M 0.978 0.052 0.

19 Destek Vektör Makineleri Yöntemi için sonuçlar (SMO) Correctly Classified Instances % Incorrectly Classified Instances % Gerçek Sınıf Tahmin Edilen Sınıf Malignant Benign Malignant Benign 2 355

7153 % Incorrectly Classified Instances 13 2.

20 Destek Vektör Makineleri Yöntemi için sonuçlar (SMO) TP Rate FP Rate Precision Recall F- Measure ROC Area Class M B W.Avg

0.948 0.006 0.99 0.948 0.969 0.971 M 0.994 0.052 0.97 0.

21 J48 Karar Ağacı Yöntemi için sonuçlar Correctly Classified Instances % Incorrectly Classified Instances % Gerçek Sınıf Tahmin Edilen Sınıf Malignant Benign Malignant Benign

22 J48 Karar Ağacı Yöntemi için sonuçlar TP Rate FP Rate Precision Recall F- Measure ROC Area Class M B W.Avg

23 K-En Yakın Komşu Yöntemi için sonuçlar (IBk) Correctly Classified Instances % Incorrectly Classified Instances % Gerçek Sınıf Tahmin Edilen Sınıf Malignant Benign Malignant Benign

24 K-En Yakın Komşu Yöntemi için sonuçlar (IBk) TP Rate FP Rate Precision Recall F- Measure ROC Area Class M B W.Avg

25 Kümeleme Yöntemi için sonuçlar () Correctly Classified Instances 0 0 Incorrectly Classified Instances 0 0 Gerçek Sınıf Tahmin Edilen Sınıf Malignant Benign Malignant 0 0 Benign 0 0

26 Kümeleme Yöntemi için sonuçlar () TP Rate FP Rate Precision Recall F- Measure ROC Area Class M B W.Avg

27 SONUÇ Sonuç olarak verisetimiz üzerinde en çok kullanılan 5 sınıflandırıcı tekniğinden en başarılı olanı 97.7 %-lik yüzdesiyle Karar Destek Makineleri yöntemi olmuştur. Bu yöntemi sırasıyla MultilayerPerceptron, IBk, J48 Karar Ağacı ve Naive Bayes takip etmiştir. Bu sonuçlardan anlıyoruz ki verisetimizi sınıflandırıken SVM tekniği kullanmamız tümor hücrelerini doğru sınıflandırmada daha başarılı sonuçlar elde edecektir.

28 Sınıflandırma Yöntemlerinin Karşılaştırılması Başarısı (%) SMO MLP KNN J48 Naive-Bayes

29 Yararlanılan Referanslar WEKA YAZILIMINDA k-ortalama ALGORİTMASI KULLANILARAK KONJESTİF KALP YETMEZLİĞİ HASTALARININ TEŞHİSİ, Yalçın İşler, Ali Narin, Zonguldak Karaelmas Üniversitesi, Elektrik ve Elektronik Mühendisliği Bölümü. KANSER SINIFLANDIRMADA mikrorna VE mrna ANLATIM BİLGİLERİNİN ENTEGRASYONU Onur Altındağ, Yüksek Lisans Tezi, 2013 BREAST CANCER DİAGNOSİS ON THREE DİFFERENT DATASETS USİNG MULTİ-CLASSİFİERS, Gouda I. Salama, M.B.Abdelhalim, Magdy Abd-elghany Zeid, Arab Academy for Science Technology & Maritime Transport, Cairo, Egypt VERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK MEME KANSERİ HÜCRELERİNİN TAHMİN VE TEŞHİSİ, Mustafa Danacı, Mete Çelik, A. Erhan Akkaya, Erciyes Üniversitesi Bilgisayar Mühendisliği Bölümü

30 TEŞEKKÜRLER

Benzer belgeler

Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi

Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi Nurmyrat AMANMADOV Yıldız Teknik Üniversitesi Elektrik-Elektronil Fakültesi Bilgisayar