تخمین دوز متوسط غده ای در غربالگری های رایج ماموگرافی با شبکه عصبی

با توجه به کاربرد فراوان آزمون های رایج ماموگرافی به منظور غربالگری و تشخیص سرطان پستان، نگرانی هایی در مورد افزایش دوز جذبی بیمار، به علت حساس بودن بافت سینه و دوز جذبی در بافت پستان، وجود دارد. بنابراین اطلاع از میزان دوز متوسط غده ای قبل از پرتودهی به بیمار از طریق تخمین آن می تواند، کمک کننده باشد. بدین منظور و برای اندازه گیری داده ها از فانتومی با مشخصات مشابه محتویات بافت سینه استفاده شده و میزان کرمای هوا در سطح ورودی به پوست، ماکزیمم کیلو ولتاژ، میلی آمپر ثانیه، ضخامت لایه نیم جذب و نوع فیلتر/هدف، ثبت گردید. سپس مدل شبکه عصبی پرسپترون چند لایه با الگوریتم آموزشی لونبرگ-مارکوارت، با استفاده از نرم افزار متلب آموزش داده شده و کرمای هوای سطحی، تخمین زده شد. برای رسیدن به بهترین نتیجه، شبکه عصبی با پارامترهای متفاوت از جمله گرادیان خطا و تعداد نورون های لایه پنهان و روش آموزش مناسب بهینه شد. پس از اجرای برنامه برای تعداد نورون های متفاوت، مشخص شد که تعداد ۳۵ نورون، بهینه ترین مقدار می باشد که ضریب رگرسیون ۹۵.۷ درصد را به دست داده و مقدار میانگین مربعات خطا برای تمام داده ها، ۰.۴۳۷ میلی گری است که ۴.۸ درصد دامنه تغییرات خروجی می باشد و مبین پیش گویی با صحت ۹۵.۲ درصدی در پژوهش حاضر می باشد. روش پیشنهادی در تحقیق حاضر با استفاده از شبکه های عصبی در پیش بینی کرمای هوا، تخمین کرمای هوای احتمالی بیمار را قبل از اینکه در معرض اشعه ایکس قرار بگیرد، میسر می کند. نتایج نشان داده است که ضریب رگرسیون بدست آمده، مبین اختلاف ۴.۳ درصدی بین کرمای اندازه گیری شده توسط دوزیمتر حالت جامد در میدان پرتو و مقدار پیش گویی شده در پژوهش حاضر می باشد که در مقایسه با روش شبیه سازی مونت کارلو از صحت خوبی نیز برخوردار است.

Keywords:

Estiamting dose , Mammography screening , Mean glandular dose , Neural network , Multilayer perceptron , تخمین دوز , غربالگری ماموگرافی , دوز متوسط غده ای , شبکه عصبی , پرسپترون چند لایه