فهرست نشریات علمی دسترسی آزاد ایران

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 لونبرگ-مارکوارت، 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.