2020

Early Detection of Breast Cancer with Artificial Intelligence

Breast Cancer Detection

Table of Content

Tools

Python
Keras
Scikit-Learn
Numpy & Pandas
Django
Sqlite

Business Models

Hedef Ağacı
Kanvas İş Modeli
Mantıksal Çerçeve
Paydaş Analizi
Problem Ağacı
Proje Faaliyetleri - Gantt
Proje Tanıtım Formu
SWOT Analizi

Veri Giriş Aşaması

Web Uygulaması aracılığı ile 8 adet veri girişi yapılıyor

Hücre Boyutunun Düzgünlüğü
Hücre şeklinin Düzgünlüğü
Marjinal Yapışma
Tek Epitel Hücre Boyutu
Çıplak Çekirdekler
Uygun Kromatin
Normal Nikloeller
Mitoz Sayısı

Bu 8 veriye göre 9. veri olarak tümörün iyi veya kötü huylu olduğu tespit edilmeye çalışılıyor.

Elimizde 8 adet özelliğe bağlı bir giriş katmanımız var, bu 8 katmana göre 1 tane veriyi tahmin etmeye çalışıyoruz.

giris = veriyeni[:, 0:8]
# *giris.shape => (698,8) 8 özelliğe bağlı giriş katmanımız*
cikis = veriyeni[:, 9]
# *cikis.shape => 8 özellikten tahmin ettiğimiz çıkış katmanımız*

Modelleme Aşaması

breast-cancer-detection/image_1.png

Input Layers

İlk başta veri setimizi yerleştireceğimiz katman.

Hidden Layers

Algılayıcılarımızı koyacağımız katman

Output Layer

Çıkış katmanımız burda ya iyi huylu ya kötü huylu (2 : İyi Huylu, 4 : Kötü huylu)

Sequential

Yapay sinir ağları algılayıcıların ardışık olmasına bağlıdır

Çıkış katmanına gidene kadar kendinden öncekine ve sonrakine bağlı bir durumda biz buna ardışık

fonksiyon diyoruz.

Biz tahminlerimiz de bunu kullanıcaz bunun adı da genel anlamıyla multilayer perceptron deniyor.

model.add(Dense(10, input_dim=8))

Dense

Yapay sinir ağında görülen her ağ kendinden sonraki noktalara bağlı

Input Dimension'a kaç tane özelliğimiz olduğunu yazıyoruz biz 8 özellikten output’u tahmin edeceğiz

Aktivasyon Fonksiyonları

Step Fonksiyonu: Bir eşik değeri alarak ikili bir sınıflandırma çıktısı (0 yada 1) üretir
Sigmoid Fonksiyonu: En yaygın kullanılan aktivasyon fonksiyonlarından birisidir, 0,1 aralığında çıktı üretir.
Tanh Fonksiyonu: -1,1 aralığında çıktı üreten doğrusal olmayan bir fonksiyondur.
Softmax Fonksiyonu: Çoklu sınıflandırma problemleri için kullanılan bu fonksiyon, verilen her bir girdinin bir sınıfa ait olma olasılığını gösteren 0,1 arası çıktılar üretmektedir.
Softplus Fonksiyonu: Sigmoid ve Tanh gibi geleneksel aktivasyon fonksiyonlarına alternatif olarak sunulan bu fonksiyon (0, +∞) aralığında türevlenebilir bir çıktı üretmektedir.
ELU Fonksiyonu: Üstel lineer birim, negatif girdiler hariç ReLU ile benzerdir. Negatif girdilerde ise genellikle 1.0 alınan alfa parametresi almaktadır.
PReLU Fonksiyonu: Parametrik ReLU olarak geçen bu aktivasyon fonksiyonu da negatif girdiler için extra alfa sabiti ile verilen girdinin çarpım sonucunu çıktı olarak üretmektedir.
Swish Fonksiyonu: Google araştırmacıları tarafından yeni keşfedilen bu fonksiyon girdiler ile sigmoid fonksiyonunun çarpımını çıktı olarak üretmektedir.
ReLU Fonksiyonu: Doğrusal olmayan bir fonksiyondur. ReLU fonksiyonu negatif girdiler için 0 değerini alırken, x pozitif girdiler için x değerini almaktadır.

ReLU Fonksiyonunu Kullanacağız.

Neden ReLu Fonksiyonu Kullandık

Matrislerde sürekli y = mx + b işlemi çalışacağı için çok yüksek veriler elde ediyoruz,

elde ettiğimiz veriyi belli bir değer arasına koymamız lazım bunun için aktivasyon

fonksiyonu kullanıyoruz böylece verilerimizi 0 ile 1 arasına koyuyoruz.

Sigmoid Fonksiyonu

breast-cancer-detection/sigmoid.png

Tanh Fonksiyonu

breast-cancer-detection/tanh_(2).png

ReLu Fonksiyonu

breast-cancer-detection/ReLu.png

Softmax Fonksiyonu

breast-cancer-detection/Softmax.png

Dropout

Dropout kullanıp farklı nodeları işleme sokarak veri seti ezberinin önüne geçiyoruz.

Eğer dropout kullanmazsak tahminimiz %100 olur fakat bu ezberlenmiş bir model demektir bizim için makul değer %90-%95.

model.add(Dropout(0.5))

model.add(Dense(10))

model.add(Activation('relu'))

model.add(Dropout(0.5))

model.add(Dense(10))

model.add(Activation('softmax'))

breast-cancer-detection/dropout.png

Learning Rate

Learning Rate(Lr): Ne kadar hızlı öğreneceğimizi anlamaya çalışan bir sistem.

optimizer = keras.optimizers.SGD(lr=0.01)
model.compile(optimizer=optimizer, loss='sparse_categorical_crossentropy',
metrics=['accuracy’])

Gerçek-tahmini karesini alıp türevini 0’a eşitliyoruz

Algoritmamızın ne kadar doğru ne kadar yanlış yaptığını anlamak için metrics = accuracy ile test

ediyoruz.

Optimizasyon Nasıl Yapılır

Bu prensibe Back Propagation Alghorithm deniyor geriye beslemeli algoritmalar diyebiliriz.

Yani türevini alıp sıfırlama işlemini geriye doğru yapıyoruz

breast-cancer-detection/optimizasyon.png

Loss (Hata) Fonksiyonları

Hata = Gerçek Değer – Tahmini Değer

Hata fonksiyonlarında hata fonksiyonunun türevini alıp en hatasız sonuca nasıl ulaşılır onu anlamayaçalışacağız

Mean Squared Error (Ortalama Kare Hatası)

breast-cancer-detection/Loss.png

Logarithm Error Function (Logaritmik hata fonksiyonu)

breast-cancer-detection/Logaritmik.png

Verileri Modele Yerleştirmek

Modelimiz bitti şimdi bu verileri modele yerleştirmek kaldı

model.fit(giris, cikis, epochs=10, batch_size=32, validation_split=0.20)

epochs

Veri setini ayrı ayrı 10 kere tarayacak

batch_size

Aynı anda kaç bitlik işlemi hafızaya alacağını belirtiyoruz.

validation_split

Doğrulama kısmı. Bütün verimizin bir kısmını yapay sinir ağımıza yerleştirelim

Elimizde kalan sinir ağına sokmadığımız işlenmemiş veriyi veri setine sokarak tahmin etmesini sağlayacağız. Eğer tamamıyla işleme sokarsak model verileri ezberler. Bizim amacımız görmeden tahmin

etmesi.

tahmin = np.array(
  [
    uniformity_cell_size,
    uniformity_cell_shape,
    marginal_adhesion,
    single_epithelial_cell_size,
    bare_nuclei,
    bland_chromatin,
    normal_nucleoli,
    mitoses
 ]
).reshape(1, 8)