Predição da curva de calibração em dosimetria gel utilizando aprendizado de máquina (2023)
- Authors:
- Autor USP: TOZZI, KAREN GONÇALVES - FFCLRP
- Unidade: FFCLRP
- Sigla do Departamento: 591
- DOI: 10.11606/D.59.2023.tde-06112023-111509
- Subjects: APRENDIZADO COMPUTACIONAL; DOSIMETRIA; GEL (FORMAS FARMACÊUTICAS)
- Keywords: Aprendizado de máquina; Dosimetria gel; Dosimetry; Gel dosimetry; Machine learning
- Agências de fomento:
- Language: Português
- Abstract: A dosimetria gel é uma técnica que permite a medida de dose em três dimensões e, portanto, tem grande potencial de aplicação na radioterapia moderna. A calibração desses dosímetros é um procedimento essencial para sua utilização e demanda um tempo significativo seja durante a irradiação dos lotes de géis ou durante sua leitura com alguma técnica de imagem que, na maioria das vezes é feita através de imagens de ressonância magnética (IRM). O aprendizado de máquina (AM) é uma técnica que vem ganhando espaço em todas as áreas do conhecimento, de maneira a ajudar a otimizar a solução de tarefas. Este trabalho tem como objetivo usar modelos de algoritmos de AM para desenvolver uma metodologia capaz de predizer a curva de calibração (coeficientes angulares e lineares) de um lote de dosímetro químico com base em extração de características radiômicas com e sem a aplicação de filtros wavelets, das imagens dos tubos de géis não irradiados. Dois modelos de regressão foram inicialmente propostos, RandonForest (RF) e Categorical Boosting (CB) combinados com três técnicas de seleção de características que mais influenciam na predição dos coeficientes: Mean Decrease Impurity (MDI), Recursive Feature Elimination (RFE) e PowerShap (PS). As IRM que compõe o conjunto de dados foram separadas em dois conjuntos de dados: dataset 1 utilizado para desenvolver os modelos e o dataset 2, formado com IRM de uma máquina diferente da utilizada para adquirir as amostras presentes no dataset 1. Este segundo dataset foi designado para estudar a aplicabilidade do modelo desenvolvido através do primeiro conjunto de dados. Para avaliar os modelos desenvolvidos, foram utilizados três métricas: Erro quadrático médio (Mean Squared Error - MSE), Erro absoluto médio (Mean Absolute Error - MAE) e Raiz quadrada do erro quadrático médio (Root Mean Squared Error - RMSE) , sendo queos modelos apresentaram melhor performance quando desenvolvidos com base no MSE. Assim, a combinação de técnicas que apresentou melhor acurácia para as predições utilizou o modelo de regressão RF selecionando as melhores características com a biblioteca PS para os dois coeficientes. O valor de MSE de 6,67 x 10-3 englobando 77% das predições dentro de um desvio de ±5% para o coeficiente angular, e 0,073 com 80% das predições dentro do mesmo desvio para o coeficiente linear. Para o dataset 2 os valores de MSE chegaram a 2,84 x 10-2 para o coeficiente angular, diminuindo o desvio para ±2% em 94% das predições e 0,15 para o coeficiente linear, mantendo o desvio de incerteza de ±5% para 74% das predições. Também foram desenvolvidos três modelos de classificação para identificar as diferenças que as amostras de géis apresentam entre si, utilizando o modelo de classificação RF e selecionando as melhores características com o método PS. O modelo 1 com o objetivo de predizer o tipo de agente oxidante das amostras apresentou uma acurácia de 95% enquanto o modelo 2, desenvolvido para predizer o bloom das gelatinas utilizada na fabricação do gel, obteve 78% de acurácia. Já o terceiro modelo obteve uma acurácia de 80% para classificar se o lote de gel sofreu alguma alteração de luminosidade durante o processo de produção desses dosímetros. Aplicando esses modelos no dataset 2, os três foram capazes de classificar todas as amostras às classes que elas pertencem
- Imprenta:
- Publisher place: Ribeirão Preto
- Date published: 2023
- Data da defesa: 04.09.2023
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
TOZZI, Karen Gonçalves. Predição da curva de calibração em dosimetria gel utilizando aprendizado de máquina. 2023. Dissertação (Mestrado) – Universidade de São Paulo, Ribeirão Preto, 2023. Disponível em: https://teses.usp.br/teses/disponiveis/59/59135/tde-06112023-111509/. Acesso em: 14 abr. 2026. -
APA
Tozzi, K. G. (2023). Predição da curva de calibração em dosimetria gel utilizando aprendizado de máquina (Dissertação (Mestrado). Universidade de São Paulo, Ribeirão Preto. Recuperado de https://teses.usp.br/teses/disponiveis/59/59135/tde-06112023-111509/ -
NLM
Tozzi KG. Predição da curva de calibração em dosimetria gel utilizando aprendizado de máquina [Internet]. 2023 ;[citado 2026 abr. 14 ] Available from: https://teses.usp.br/teses/disponiveis/59/59135/tde-06112023-111509/ -
Vancouver
Tozzi KG. Predição da curva de calibração em dosimetria gel utilizando aprendizado de máquina [Internet]. 2023 ;[citado 2026 abr. 14 ] Available from: https://teses.usp.br/teses/disponiveis/59/59135/tde-06112023-111509/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
