تخمین دوز متوسط غده‌ای در غربالگری‌های رایج ماموگرافی با شبکه عصبی

با توجه به کاربرد فراوان آزمون‌های رایج ماموگرافی به‌منظور غربالگری و تشخیص سرطان پستان، نگرانی‌هایی در مورد افزایش دوز جذبی بیمار، به‌علت حساس بودن بافت سینه و دوز جذبی در بافت پستان، وجود دارد. بنابراین اطلاع از میزان دوز متوسط غده‌ای قبل از پرتودهی به بیمار از طریق تخمین آن می‌تواند، کمک کننده باشد. بدین منظور و برای اندازه‌گیری داده‌ها از فانتومی با مشخصات مشابه محتویات بافت سینه استفاده شده و میزان کرمای هوا در سطح ورودی به پوست، ماکزیمم کیلو‌ولتاژ، میلی‌آمپر ثانیه، ضخامت لایه نیم‌جذب و نوع فیلتر/هدف، ثبت گردید. سپس مدل شبکه عصبی پرسپترون چند لایه با الگوریتم آموزشی لونبرگمارکوارت، با استفاده از نرم‌افزار 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 نورون‌های لایه پنهان و روش آموزش مناسب بهینه شد. پس از اجرای برنامه برای تعداد نورون‌های متفاوت، مشخص شد که تعداد 35 نورون، بهینه‌ترین مقدار می‌باشد که ضریب رگرسیون 95.7 درصد را به‌دست داده و مقدار میانگین مربعات خطا برای تمام داده‌ها، 0.437 میلی‌گری است که 4.8 درصد دامنه تغییرات خروجی می‌باشد و مبین پیش‌گویی با صحت 95.2 درصدی در پژوهش حاضر می‌باشد. روش پیشنهادی در تحقیق حاضر با استفاده از شبکه‌های عصبی در پیش‌بینی کرمای هوا، تخمین کرمای هوای احتمالی بیمار را قبل از اینکه در معرض اشعه ایکس قرار بگیرد، میسر می‌کند. نتایج نشان داده است که ضریب رگرسیون بدست آمده، مبین اختلاف 4.3 درصدی بین کرمای اندازه‌گیری شده توسط دوزیمتر حالت جامد در میدان پرتو و مقدار پیش‌گویی شده در پژوهش حاضر می‌باشد که در مقایسه با روش شبیه‌سازی مونت کارلو از صحت خوبی نیز برخوردار است.

Estimating average glandular dose in routine mammography screening using neural network

Given the extensive use of common mammography tests for screening and diagnosis of breast cancer, there are concerns over the increased dose absorbed by the patient due to the sensitivity of the breast tissue. Thus, knowing the Mean Glandular Dose (MGD) before radiation to the patient through its estimation can be helpful. For this reason, the MultiLayer Perceptron (MLP) neural network model was trained with LevenbergMarquardt (LM) backpropagation training algorithm and the Entrance Surface Air Kerma (ESAK) was estimated. After running the program, it was found that 35 neurons is the most optimal value, offering a regression coefficient of 95.7%, where the Mean Squared Error (MSE) for all data was 0.437 mGy, accounting for 4.8% of the range of output changes, representing a prediction with 95.2% accuracy in the present research. In comparison with the MonteCarlo simulation method, it enjoys a desirable accuracy.