Foram gerados 170 modelos computacionais de mama utilizando a metodologia desenvolvida neste trabalho. A DGN foi estimada para cada um destes modelos
utilizando simulações MC com o código EGSnrc. O resultado de cada simulação é a DG
da paciente e este resultado deve ser normalizado por valores de Ki apropriados.
Os valores de Ki necessários foram obtidos por interpolação dos valores
previamente determinados nas simulações de validação (Tab. 10). Os valores foram ajustados através do método dos mínimos quadrados e a incerteza dos valores foi estimada como sendo a incerteza do ajuste. Desta forma, uma única incerteza poderia ser utilizada para todos os valores ajustados. Assim, as incertezas para os valores de Ki
utilizados no cálculo da DGN foram iguais a 5% para 27 e 29 kVp (0,529 e 0,548
mmAl), 6% para 30 kVp (0,559 mmAl) e 7% para 28 e 31 kVp (0,538 e 0,565 mmAl). A incerteza da dose absorvida pelos modelos computacionais de mama é estimada diretamente pelo código de Monte Carlo e teve uma média de 1,1 ± 1,5%. A incerteza para os valores calculados de DGN de pacientes foi feita através da lei de propagação de
incertezas e foi estimada com uma média de 1,7 ± 0,5%.
A comparação entre os valores de DGN obtidos neste trabalho com os valores
recomendados em protocolos internacionais será feita utilizando a diferença relativa percentual (∆%), com os valores obtidos de Dance e colaboradores (2000) e Boone (1999) interpolados para os valores de CSR obtidos nas simulações MC (Tab. 7). Ao tomarmos as diferenças relativas percentuais entre todos os valores de DGN calculados
utilizando a metodologia desenvolvida neste trabalho e os valores obtidos de Dance e colaboradores (2000) temos uma ∆% média (∆%m) de -1 ± 10%. Em comparação aos
valores obtidos de Boone (1999), ∆%m = 2 ± 8%. Estes resultados são coerentes com a
amostra coletada, uma vez que a maioria das mamas possui EMC da ordem de 5 cm e glandularidade de 50% (Fig. 29 e 30, respectivamente). No entanto, existe uma
dispersão (da ordem de 10%) considerável. Myronakis, Zvelebil e Darambara (2013) estudaram a influência da substituição da camada de 5 mm de tecido adiposo por tecido epitelial de 1,5 mm em modelos de mama típica com EMC de 2, 5 e 11 cm e com glandularidades de 50% e 100%. Utilizando simulações MC com a aplicação GATE do código Geant4, eles calcularam valores de DGN e compararam seus resultados com os
valores publicados por Dance e colaboradores (2000). Segundo os autores, tal substituição implica em uma diminuição nos valores de DGN para EMC igual a 2 cm,
que implicaria em uma superestimação da dose em 14%, um aumento nos valores de DGN para EMC igual a 11 cm, com uma subestimação da dose em 10%, e
aproximadamente os mesmos valores de DGN para EMC igual a 5 cm. Como a maioria
dos valores de EMC dos modelos computacionais simulados neste trabalho está em torno de 5 cm (EMCm = 5,0 ± 0,8 cm), os resultados vêm corroborar as conclusões de
Myronakis, Zvelebil e Darambara (2013). Além do mais, os resultados comprovam que esta afirmação também é válida em relação aos valores de Boone (1999).
No entanto, além da composição e espessura da pele, o grande diferencial dos modelos computacionais de mama desenvolvidos neste trabalho está na distribuição espacial do tecido glandular no interior do modelo. Para avaliar as consequências deste diferencial, analisaremos os resultados desmembrando-os em relação à glandularidade dos modelos. Nas Fig. 31 a 34 são mostradas as diferenças relativas percentuais dos valores de DGN obtidos, para cada valor de glandularidade da mama, em relação aos
valores publicados por Dance e colaboradores (2000) (∆%Dance) e em relação aos
valores publicados por Boone (1999) (∆%Boone), para os modelos simulados em função
da EMC. São apresentadas também as diferenças relativas percentuais médias (∆%m)
em relação aos dois trabalhos.
Figura 32 - ∆% para a DGN dos modelos com glandularidade entre 25 e 50%
Figura 33 - ∆% para a DGN dos modelos com glandularidade entre 50 e 75%
Ao analisarmos os gráficos percebemos que a afirmação de que existe uma tendência de decréscimo nos valores de DGN quando se diminui a EMC, e um acréscimo
quando a aumentamos, se confirma. Ela está bastante clara para os modelos com glandularidade entre 50 e 75% e > 75% (Fig. 33 e 34), que são os que mais se aproximam do trabalho de Myronakis, Zvelebil e Darambara (2013). Se tomarmos os modelos com glandularidade < 25% (Fig. 31), ∆%m Dance = -10 ± 6% e ∆%m Boone = -4 ±
6%, notamos que existe um decréscimo nos valores de DGN mesmo para modelos com
EMC ≥ 5 cm. A ∆% variou de -22% a 11%. Para os modelos com glandularidade entre 25 e 50%, ∆%m Dance = -7 ± 7% e ∆%m Boone = -3 ± 7%, com -19 ≤ ∆% ≤ 16. Os modelos
com glandularidade entre 50 e 75%, que representam a maioria dos modelos, apresentaram a menor ∆%m em relação aos dados de Dance, ∆%m Dance = 3 ± 7%. Todos
os modelos com glandularidade > 75%, que representam as pacientes com maior risco de câncer, apresentaram ∆% > 0, com ∆%m Dance = 9 ± 8% e ∆%m Boone = 11 ± 7%. Isto
implica que, em todos os casos, os valores recomendados internacionalmente subestimam a dose de radiação recebida pelas pacientes. Além do mais, quanto maior a espessura da mama comprimida, maior é a diferença e esta relação é aproximadamente linear (R² = 0,97 para ∆%Dance e R² = 0,96 para ∆%Boone).
Estes resultados mostram que diferenças significativas podem ser atingidas quando se leva em conta a distribuição espacial do tecido glandular da mama da paciente no cálculo da dose glandular média, independentemente da EMC. Apesar de a diferença ser pequena quando levamos todos os dados em consideração, existe uma grande dispersão. Os coeficientes de conversão para dose glandular média recomendados em vários protocolos de dosimetria em mamografia podem superestimar a dose de radiação absorvida por mamas com glandularidade < 50% e, no pior caso, subestimar a dose para mamas com glandularidade > 75%. Portanto, os modelos computacionais de mama gerados utilizando a metodologia desenvolvida neste trabalho podem ser úteis quando existe a necessidade de estimativa da DG de forma mais
detalhada.
O cálculo do risco de câncer é importante, principalmente quando se deseja comparar doses não homogêneas, produzidas por diferentes sistemas de imagem. Atualmente, existe a tendência em se estimar o risco levando em consideração diferenças de idade e de gênero e de uma maneira paciente-específica (Brenner, 2008; Li et al., 2011; Samei et al., 2013). A metodologia desenvolvida neste trabalho vai ao
encontro desta tendência atual na medida em que estima a dose de radiação de maneira paciente-específica, uma vez que cada modelo computacional é gerado a partir dos dados de atenuação da radiação pela anatomia da mama da paciente, ou seja, sua imagem mamográfica. Assim, ela torna-se uma ferramenta poderosa para dosimetria em mamografia.
7 CONCLUSÕES
Neste trabalho foi desenvolvida uma metodologia que gera modelos computacionais das mamas de pacientes a partir das suas imagens mamográficas digitais. Estes modelos se diferenciam por possuírem camadas de tecido epitelial, ao invés de tecido adiposo, e a distribuição espacial do tecido glandular em seu interior no lugar de uma mistura homogênea de tecidos adiposos e glandulares. Para que este objetivo fosse atingido, vários testes foram realizados e técnicas foram desenvolvidas.
Para gerar os modelos computacionais de mama de pacientes e obter os correspondentes valores de DGN, foram selecionadas imagens realizadas no mamógrafo
clínico de 52 pacientes. A glandularidade das mamas foi estimada para 47 pacientes por uma médica radiologista. Foram gerados 170 modelos para as simulações dos modelos de mama. A EMC dos modelos computacionais simulados variou de 3,5 a 6,4 cm, com média de 5,0 ± 0,8 cm. Quanto à glandularidade dos modelos computacionais de mama, 29% possuíam glandularidade menor que 25%, 14% com glandularidade entre 25 e 50%, 42% entre 50 e 75% e 16% com glandularidade maior que 75%. A diferença relativa percentual média entre todos os valores de DGN calculados e os valores obtidos
de Dance e colaboradores (2000) foi de -1 ± 10%. Em comparação aos valores obtidos de Boone (1999), ∆%m = 2 ± 8%. Estes resultados são coerentes com a amostra
coletada, uma vez que a maioria das mamas possui EMC da ordem de 5 cm e glandularidade de 50%. No entanto, o ineditismo dos modelos computacionais de mama desenvolvidos neste trabalho está na distribuição espacial do tecido glandular no interior do modelo e foi necessário avaliar as consequências deste diferencial analisando os resultados em relação à glandularidade dos modelos. Percebemos que a afirmação de que existe uma tendência de decréscimo nos valores de DGN quando se diminui a EMC,
e um acréscimo quando a aumentamos, se confirmou, principalmente para os modelos com glandularidade entre 50 e 75% e > 75%. Ao tomarmos os modelos com glandularidade < 50%, notamos que existe um decréscimo nos valores de DGN mesmo
para modelos com EMC ≥ 5 cm. Os modelos com glandularidade entre 50 e 75%, que representam a maioria dos modelos, apresentaram a menor ∆%m em relação aos dados
de Dance e colaboradores (2000). Todos os modelos com glandularidade > 75% apresentaram ∆% > 0. Estes resultados mostram que diferenças significativas podem ser atingidas quando se leva em conta a distribuição espacial do tecido glandular da mama
da paciente no cálculo da dose glandular média, independentemente da EMC. Os coeficientes de conversão para DG, recomendados em vários protocolos de dosimetria
em mamografia, podem superestimar a dose de radiação absorvida por mamas com glandularidade < 50% e, no pior caso, subestimar a dose para mamas com glandularidade > 75%. Assim, os modelos computacionais de mama gerados utilizando a metodologia desenvolvida neste trabalho podem ser úteis quando existe a necessidade de estimativa da DG de forma mais detalhada, tornando-se uma ferramenta poderosa
para dosimetria em mamografia.
Acreditamos que o uso do código de Monte Carlo EGSnrc para as simulações computacionais não é exclusivo, ou seja, outros códigos de MC podem ser utilizados desde que a metodologia de geração dos modelos computacionais de mama seja seguida corretamente e o código e as simulações sejam validados. Os programas cujo desenvolvimento foi necessário não exigiram conhecimentos avançados de programação e não há razão para afirmar que outras linguagens de programação não poderiam ser utilizadas. Por exemplo, como o programa ImageJ é utilizado em alguns processos, os programas Classificador de Tecidos e mamainput poderiam ser desenvolvidos como módulos do próprio ImageJ.
Entre as vantagens da metodologia desenvolvida podemos citar que a estimativa da dose de radiação é feita de maneira paciente-específica, uma vez que cada modelo é gerado a partir da imagem mamográfica da paciente, e ela pode ser feita sem o laudo do médico radiologista atestando a glandularidade da mama ou utilizando sistemas CAD. As desvantagens estão na necessidade de se criar uma base de dados de tons de cinza para cada equipamento clínico, utilizando objetos simuladores de tecido adiposo e de tecido glandular que possuem custo elevado. Ainda, tais equipamentos devem apresentar boa exatidão na medida da EMC. Além do mais, esta metodologia se limita a sistemas de imagem digital.
Entre as perspectivas de pesquisa futuras, é necessário aumentar a amostra de pacientes para outras glandularidades que não 50% e confirmar se as afirmativas encontradas neste trabalho se mantêm. Principalmente para mamas com glandularidade > 75%, que apresentam o risco mais elevado de câncer. Podemos citar também a necessidade de se analisar a viabilidade de implementação da metodologia desenvolvida na prática clínica, permitindo que a dose de radiação recebida pela paciente durante o exame seja incluída no laudo das imagens. Isto pode ser feito atualmente quando o
equipamento estima esta dose e a informa no cabeçalho DICOM das imagens. Logo, outra investigação a ser feita seria a comparação entre os valores informados pelo equipamento e os valores simulados. Em um trabalho recente, Oliveira e colaboradores (2014), irradiando placas de PMMA no mamógrafo clínico e medindo grandezas dosimétricas com uma câmara de ionização, concluíram que os valores de DG
fornecidos pelo equipamento estão de acordo com os valores calculados. No entanto, os valores de DG foram obtidos utilizando coeficientes de conversão de Dance, Young e
Engen (2011) e diferentes espessuras de PMMA simulando as mamas de pacientes. Agora, este trabalho pode ser estendido sob a luz da metodologia aqui desenvolvida.
8 REFERÊNCIAS
ACR. American College of Radiology: Breast Imaging Reporting and Data System (BIRADS). Reston, VA: American College of Radiology, 1993.
AMIR, E. et al. Assessing Women at High Risk of Breast Cancer: A Review of Risk Assessment Models. Journal of the National Cancer Institute, v. 102, n. 10, p. 680- 691, 2010.
BOONE, J. M.; FEWELL, T. R; JENNINGS, R. J. Molybdenum, rhodium, and tungsten anode spectral models using interpolating polynomials with application to mammography. Medical Physics. 24, 1863-1874, 1997.
BOONE, J. M. Glandular breast dose for monoenergetic and high-energy X-ray beams: Monte Carlo assessment. Radiology, v. 213, n. 1, p. 23-37, 1999.
BOONE, J. M. Normalized glandular dose (DgN) coefficients for arbitrary x-ray spectra in mammography: Computer-fit values of Monte Carlo derived data. Medical Physics, v. 29, n. 5, p. 869-875, 2002.
BOYD, N. F. et al. Mammographic density and breast cancer risk: current understand- ding and future prospects. Breast Cancer Research, v. 13, n. 6, 2011.
BRASIL. Portaria 453, de 01 de junho de 1998. Diretrizes de proteção radiológica em radiodiagnóstico médico e odontológico. Diário Oficial [da] República Federativa do Brasil, Brasília, DF, 02 de jun. 1998.
BRENNER, D. J. Effective dose: a flawed concept that could and should be replaced. British Journal of Radiology, v. 81, n. 967, p. 521-523, 2008.
BUSHBERG, J. T. et al. The essential physics of medical imaging. Philadelphia: Lippincott Williams & Wilkins, 2002.
BUSHONG, S. C. Radiologic science for technologists: physics, biology and protection. St. Louis: MOSBY, 2008.
CASSOLA, V. F.; HOFF, G. Estudo comparativo de dosimetria computacional entre modelos homogêneos e um modelo voxel em mamografia: uma discussão de aplicações em testes de constância e cálculo de dose glandular em pacientes. Radiologia Brasileira, v. 43, n. 6, p. 395-400, 2010.
CHEVALIER, M.; TORRES, R. Mamografía digital. Revista de Física Médica, v. 11, n. 1, p. 11-26, 2010.
COMMISSION OF THE EUROPEAN COMMUNITIES. European Guidelines for Quality Assurance in Breast Cancer Screening and Diagnosis. Report EUR 14821 4th ed. European Commission. Office for Official Publications of the European Communities, Luxembourg, 2006.
DANCE, D. R. Monte-carlo calculation of conversion factors for the estimation of mean glandular breast dose. Physics in Medicine and Biology, v. 35, n. 9, p. 1211-1219, 1990.
DANCE, D. R. et al. Breast dosimetry using high-resolution voxel phantoms. Radiation Protection Dosimetry, v. 114, n. 1-3, p. 359-363, 2005.
DANCE, D. R.; SKINNER, C. L.; CARLSSON, G. A. Breast dosimetry. Applied Radiation and Isotopes, v. 50, n. 1, p. 185-203, 1999.
DANCE, D. R. et al. Additional factors for the estimation of mean glandular breast dose using the UK mammography dosimetry protocol. Physics in Medicine and Biology, v. 45, n. 11, p. 3225-3240, 2000.
DANCE, D. R.; YOUNG, K. C.; VAN ENGEN, R. E. Further factors for the estimation of mean glandular dose using the United Kingdom, European and IAEA breast
dosimetry protocols. Physics in Medicine and Biology, v. 54, n. 14, p. 4361-4372, 2009.
DANCE, D. R.; YOUNG, K. C.; VAN ENGEN, R. E. Estimation of mean glandular dose for breast tomosynthesis: factors for use with the UK, European and IAEA breast dosimetry protocols. Physics in Medicine and Biology, v. 56, n. 2, p. 453-471, 2011.
DENDY, P. P.; HEATON, B. Physics for diagnostic radiology. Boca Raton: CRC Press, 2012.
ENG, A. et al. Digital mammographic density and breast cancer risk: a case-control study of six alternative density assessment methods. Breast Cancer Research, v. 16, 439, 2014.
FERREIRA, T.; RASBAND, W. ImageJ User Guide. 198 p. 2012. Disponível em <http://rsbweb.nih.gov/ij/docs/index.html>. Último acesso em: 30 janeiro de 2013.
GONZALEZ, R. C.; WOODS, R. E. Processamento de imagens digitais. São Paulo: Edgard Blücher, 2000.
GUR, D. et al. Dose reduction in digital breast tomosynthesis (DBT) screening using synthetically reconstructed projection images: An observer performance study. Academic Radiology, v. 19, p. 166-171, 2012.
HAMMERSTEIN, G. R. et al. Absorbed radiation-dose in mammography. Radiology, v. 130, n. 2, p. 485-491, 1979.
HENDRICK, R. E. Radiation doses and cancer risks from breast imaging studies. Radiology, v. 257, n. 1, p. 246-253, 2010.
HENDRICK, R. E. et al. Comparison of acquisition parameters and breast dose in digital mammography and screen-film mammography in the American College of
Radiology imaging network digital mammographic imaging screening trial. American Journal of Roentgenology, v. 194, n. 2, p. 362-369, 2010.
HUANG, S. Y. et al. The effect of skin thickness determined using breast CT on mammographic dosimetry. Medical Physics, v. 35, n. 4, p. 1199-1206, 2008.
IAEA. Dosimetry in diagnostic radiology: an international code of practice. Technical Reports Series no. 457, Vienna: International Atomic Energy Agency, 2007.
IAEA. Quality assurance programme for digital mammography. IAEA human health series no. 17, Vienna: International Atomic Energy Agency, 2011.
INCA. Estimativa 2014: Incidência de Câncer no Brasil. Rio de Janeiro: Instituto Nacional de Câncer José Alencar Gomes da Silva, 2014.
ICRU. Mammography - Assessment of Image Quality. ICRU Report No.82. Journal of the ICRU, v. 9, n. 2, Oxford University Press, 2009.
JOHNS, P. M.; YAFFE, M. J. X-ray characterization of normal and neoplastic breast tissues. Physics in Medicine and Biology, v. 32, n. 6, p. 675-695, 1987.
KALAF, J. M. Mamografia: uma história de sucesso e de entusiasmo científico. Radiologia Brasileira, v. 47, n. 4, p. VII-VIII, 2014.
KAWRAKOW, I. et al. The EGSnrc C++ class library. NRC Report PIRS-898 (rev A). NRCC, 2009.
KAWRAKOW, I. et al. The EGSnrc code system: Monte Carlo simulation of electron and photon transport. NRCC Report PIRS-701. NRCC, 2011.
KELLER, B. M. et al. Estimation of breast percent density in raw and processed full field digital mammography images via adaptive fuzzy c-means clustering and support vector machine segmentation. Medical Physics, v. 39, n. 8, p. 4903-4917, 2012.
LI, X. et al. Patient-specific radiation dose and cancer risk estimation in CT: Part II. Application to patients. Medical Physics, v. 38, n. 1, p. 408-419, 2011.
MAINEGRA-HING, E.; KAWRAKOW, I. Efficient x-ray tube simulations. Medical Physics, v. 33, p. 2683-2690, 2006.
MYRONAKIS, M. E.; ZVELEBIL, M.; DARAMBARA, D. G. Normalized mean glandular dose computation from mammography using GATE: a validation study. Physics in Medicine and Biology, v. 58, n. 7, p. 2247-2265, 2013.
OLIVEIRA, B. B. Testes de desempenho e dosimetria de um protocolo brasileiro para tomossíntese de mama digital. 2014. 95 p. Tese (Doutorado em Ciência e Tecnologia das Radiações, Minerais e Materiais) Centro de Desenvolvimento da Tecnologia Nuclear, 2014.
OLIVEIRA, B. B. et al. Comparison of mean glandular dose values provided by a digital breast tomosynthesis system in Brazil. Applied Radiation and Isotopes. 2014. Disponível online <http://www.sciencedirect.com/science/article/pii/S09698043140034 80>. Último acesso em 26/02/15.
OLIVEIRA, M. A. Avaliação da dose glandular e qualidade da imagem de pacientes submetidas a mamografias com processamento de imagem digital. 2011. 93 p. Dissertação (Mestrado em Ciência e Tecnologia das Radiações, Minerais e Materiais) Centro de Desenvolvimento da Tecnologia Nuclear, 2011.
PAIXÃO , L. et al. Monte Carlo derivation of filtered tungsten anode x-ray spectra for dose computation in digital mammography. Radiologia Brasileira, (no prelo), 2014.
PEIXOTO, J. E. Controle de qualidade em mamografia. In Aguillar VLN, Bauab SP, Maranhão NM. Mama: diagnóstico por imagem. Rio de Janeiro: Revinter, 2009.
PERCHA, B. et al. Automatic classification of mammography reports by BI-RADS breast tissue composition class. Journal of the American Medical Informatics Association, v. 19, n. 5, p. 913-916, 2012.
PISANO, E. D. et al. Diagnostic Performance of Digital versus Film Mammography for Breast-Cancer Screening. New England Journal Of Medicine, v. 353, n. 17, p. 1773- 1783, 2005.
ROGERS, D. W. O. Fifty years of Monte Carlo simulations for medical physics. Physics in Medicine and Biology, v. 51, n. 13, p. R287-R301, 2006.
SAMEI, E. et al. The effect of dose heterogeneity on radiation risk in medical imaging. Radiation Protection Dosimetry, v. 155, n. 1, p. 42-58, 2013.
SCHNEIDER, P. Incertezas de medição e ajustes de dados. Porto Alegre: Universidade Federal do Rio Grande do Sul, 2007. Disponível em < http://www.ufrgs. br/medterm/areas/area-i/Incertezaedicao.pdf>. Último acesso em 12/02/15.
SEFM. Protocolo español de control de calidad en radiodiagnóstico. Madri: Sociedad Española de Fisica Medica, 2012.
SHEPHERD, J. A. et al. Volume of mammographic density and risk of breast cancer. Cancer Epidemiology Biomarkers & Prevention, v. 20, n. 7, p. 1473-1482, 2011.
STANTIC, T. J. et al. Screen-film versus full-field digital mammography: radiation dose and image quality in a large teaching hospital. Nuclear Technology & Radiation Protection, v. 28, n. 4, p. 398-405, 2013.
STANTON, L. et al. Dosage evaluation in mammography. Radiology, v. 150, p. 577- 584, 1984.
TAYLOR, B. N.; KUYATT, C. E. Guidelines for evaluating and expressing the uncertainty of NIST measurements results. NIST Technical Note 1297. Washington: US Government Printing Office, 1994.
THIERRY-CHEF, I. et al. Reconstruction of absorbed doses to fibroglandular tissue of the breast of women undergoing mammography (1960 to the present). Radiation Research, v. 177, n. 1, p. 92-108, 2012.
TIMMERMANS, L. et al. Impact of the digitalisation of mammography on performance parameters and breast dose in the Flemish Breast Cancer Screening Programme. European Radiology, v. 24, n. 8, p. 1808-1819, 2014.
URBAN, L. A. B. D. et al. Recomendações do Colégio Brasileiro de Radiologia e Diagnóstico por Imagem, da Sociedade Brasileira de Mastologia e da Federação Brasileira das Associações de Ginecologia e Obstetrícia para rastreamento do câncer de mama por métodos de imagem. Radiologia Brasileira, v. 45, n. 6, p. 334-339, 2012.
WU, X. Z.; BARNES, G. T.; TUCKER, D. M. Spectral dependence of glandular tissue dose in screen-film mammography. Radiology, v. 179, n. 1, p. 143-148, 1991.
WU, X. Z. et al. Normalized average glandular dose in molybdenum target rhodium filter and rhodium target rhodium filter mammography. Radiology, v. 193, n. 1, p. 83- 89, 1994.
YAFFE, M. J. Mammographic density - measurement of mammographic density. Breast Cancer Research, v. 10, n. 3, 2008.
YAFFE, M. J. et al. The myth of the 50-50 breast. Medical Physics, v. 36, n. 12, p. 5437-5443, 2009.
YAFFE, M. J.; MAINPRIZE, J. G. Risk of radiation-induced breast cancer from mammographic screening. Radiology, v. 258, n. 1, p. 98-105, 2011.
ZANKL, M. et al. Average glandular dose conversion coefficients for segmented breast voxel models. Radiation Protection Dosimetry, v. 114, n. 1-3, p. 410-414, 2005.
APÊNDICE A
A seguir está o código fonte do programa classificador de tecidos escrito em linguagem C++. #include <iostream> #include <fstream> #include <string> #include <sstream> #include <cmath> using namespace std; int main() {
int c=0, l=0, nar=0, nadiposo=0, nglandular=0, npixels=0, nmama=0, sn=0;
char nome_pcte[30], res_pcte[30]; string v_pixel;
unsigned short TC, inv, bin, test;
unsigned short menor_adiposo=0, maior_adiposo=0, menor_glandular=0, maior_glandular=0, media_tecidos=0;
float glandularidade, x, y; ifstream imagemtxt;
ofstream imagemtest;
cout<< "Para determinar a glandularidade da mama, digite:\n" << "1