Abstract :Amaç: Meme kanseri dünyada ikinci, kadınlarda ise en sık tanı konulan kanser türüdür. Meme kanseri tarama ve tanı konulması amacıyla mamografi kullanılmaktadır. Halen meme kanseri teşhisi radyoloji uzmanı doktorlar tarafından yapılmaktadır. Son on yılda derin öğrenme yöntemleri görüntü sınıflandırma problemlerinde başarılı bir şekilde uygulanmıştır. Makine öğrenme ve derin öğrenme yöntemlerinin bilgisayar destekli meme kanseri teşhisinde kullanılabilmesi için araştırmalar devam etmektedir. Kitle ve kalsifikasyon meme kanserinde başlıca görülen anormalliklerdir. Bu çalışmanın amacı meme kanseri anormallik sınıflandırma problemi için üç farklı öğrenme transferi yöntemi araştırılması ve en yüksek performans veren yöntemin bulunmasıdır. Gereç ve yöntem: CBIS-DDSM veri seti meme kanseri alanında dünyadaki büyük ve yeni veri tabanlarından birisidir. Derin öğrenme sistemi eğitiminde gerekli olan mamografi görüntüleri için araştırmacıların kullanımına açık olan CBIS-DDSM veri seti kullanılmıştır. Kitle ve kalsifikasyon türünde anormallikler içeren mammografi parçaları derin öğrenme sistemlerinin eğitiminde ve test edilmesinde kullanılmıştır. ImageNet veri seti ile eğitilmiş ResNet50, Xception, ve NASNetLarge ağ katsayıları, sınıflandırıcı geliştirilmesinde kullanılarak öğrenme transferi gerçekleştirilmiştir. Sınıflandırma performansı doğruluk, alıcı çalışma eğrisi altındaki alan ve F-skoru kullanılarak hesaplanmıştır. Karışıklık matrisi oluşturulmuştur. Performans değerleri literatürdekiler ile karşılaştırılmıştır. Bulgular: Kitle ve kalsifikasyon türü sınıflandırmada test verisinde en yüksek doğruluk Xception ağ katsayılarının kullanılması ile 0.9173 olarak elde edildi. Alıcı çalışma eğrisi altındaki alan 0.92 olarak hesaplandı. Sonuç: Önerilen transfer öğrenme yöntemi, kitle ve kalsifikasyon içeren mamogram yamalarının sınıflandırılması için kullanılabilir. Keywords : Kitle, Kalsifikasyon, Mamografi, Derin Öğrenme, Görüntü Sınıflandırma
