IX Latin American IRPA Regional Congress on Radiation Protection and Safety - IRPA 2013

Rio de Janeiro, RJ, Brazil, April 15-19, 2013

SOCIEDADE BRASILEIRA DE PROTEÇÃO RADIOLÓGICA - SBPR

VALIDAÇÃO DE UM PROGRAMA PARA A ESTIMATIVA DA

INCERTEZA DE MEDIÇÃO PELO MÉTODO DE MONTE CARLO NA
MEDIÇÃO DO CTDIw EM CT

Carlos E.B.Queiroz, Walmoli G.Júnior , Tiago R.Jahn ,Tiago T.Hahn ,Thiago

S.Fontana and Vagner Bolzan.

Brasilrad Consultoria em Radioproteção

Rua Professor Herminio Jacques, nº 166 – Centro
88015-180 Florianópolis, SC
brasilrad@brasilrad.com.br

Cod.:3723

RESUMO

A Simulação de Monte Carlo pode ser aplicada para estimar as incertezas de medição, utilizando o conceito de
propagação de distribuições. Ela é uma ferramenta utilizada na avaliação de incertezas de medição que utiliza a
geração de números pseudo-aleatórios para simular os possíveis valores de variáveis estocásticas com
distribuições bem definidas (grandezas de entrada) e com isso calcular os possíveis valores da grandeza de
saída. Este procedimento, depois de repetido muitas vezes, gera uma base de dados com os possíveis valores
para a grandeza de saída com a qual se pode construir a sua distribuição estatística. Neste trabalho são
apresentados os resultados da validação de um programa de cálculo de incerteza de medição do Índice
ponderado de dose em tomografia Computadorizada (CTDIw) em um equipamento de tomografia
computadorizada. A validação foi realizada a partir da comparação dos resultados obtidos pelo programa
desenvolvido pela Brasilrad com os resultados obtidos com o software comercial Crystal Ball.

1. INTRODUÇÃO

A estimativa de dose de radiação em equipamentos de Tomografia Computadorizada (CT) e

de extrema importância para gestão da qualidade da imagem e o controle das doses entregues
no tecido do paciente. Neste contexto o Índice de Dose em Tomografia Computadorizada
(CTDI) foi estabelecido por Shope et al.[1] e tem servido como uma medida padrão da dose
de radiação no CT desde 1980. Atualmente existem algumas variações do CTDI proposto por
Shope et al. como CTDIFDA, CTDI100 ,CTDI300 e CTDI∞ [2].O CTDI100 é o mais utilizado
devido ao comprimento padronizado de 100 milímetros das câmaras de ionização tipo
lápis[2], o perfil de dose ao longo do eixo de rotação do tubo de raios-x é integrado entre os
limites de -50 milímetros á 50 milímetros e multiplicado pelo inverso do número de cortes
tomográficos e a espessura do corte tomográfico [3], que pode ser expresso da seguinte
forma:

(1)
O CTDI 100 pode ser medido diretamente no ar ou no interior de um fantoma de polimetil-
metacrilato (PMMA), porém ele é um indicador mais grosseiro de dose do paciente do que
Índice Ponderado de Dose em Tomografia Computadorizada (CTDIW) que leva em
consideração o efeito da filtração do feixe [3].

O CTDIW combina valores de CTDI 100 medidos no centro e na periferia do fantoma de

PMMA de acordo com a Equação 2:

(2)

A medição do CTDIW foi introduzida por Leitz et al. [4] e a mesma é padronizada na norma
IEC-60601-2-44 [5].

A utilização correta do resultado de qualquer medição requer alguma indicação quantitativa

da sua qualidade e confiabilidade [6]. O resultado do CTDIW de determinação não é exceção.
A incerteza de um resultado de medição é um índice de sua qualidade e sua estimativa [7].
Ela reflete a ausência de conhecimento do valor verdadeiro do mensurando, podendo ser
entendida como um grau duvidoso intrínseco ao processo de medição no qual é impossível a
aplicação de correções para que a mesma seja eliminada por completo [8]. Mesmo sabendo
que o resultado da medição não é perfeito, é possível obter informações confiáveis, desde que
o resultado da medição venha acompanhado da respectiva incerteza [9]. O Guia para
Expressão da Incerteza de Medição (ISO GUM) [9], apresenta um método para unificar a
avaliação e a declaração de incertezas de medição. Este método consiste em assumir a
distribuição de probabilidade da incerteza de medição como gaussiana, utilizando um modelo
matemático para propagar os parâmetros das distribuições de entrada, se função de medição
for linear nas grandezas de entrada e as distribuições de probabilidade para essas grandezas
forem gaussianas, a abordagem de incerteza do GUM fornecerá resultados exatos [9,10].
Entretanto se a função de medição não é linear, as distribuições de probabilidade para as
grandezas de entrada são assimétricas, as contribuições de incerteza não são
aproximadamente da mesma magnitude e a distribuição de probabilidade para a grandeza de
saída é assimétrica, ou não é uma distribuição gaussiana ou uma distribuição-t, os valores de
incerteza obtidos não serão confiáveis.

A fim de superar estas limitações, a simulação Monte Carlo pode ser aplicada para estimar as
incertezas de medição, utilizando o conceito de propagação de distribuições. Esse conceito
constitui uma generalização da lei de propagação de incertezas dadas pela ISO GUM,
proporcionando uma solução prática para modelos complicados e trabalhar com informações
mais ricas. A Simulação de Monte Carlo (SMC) permite determinar a incerteza de medição
quando as hipóteses do método GUM clássico não são atendidas [10]. Ela é uma ferramenta
utilizada na avaliação de incertezas de medição que utiliza números pseudo-aleatórios para
simular a partir de distribuições de probabilidade das grandezas de entrada, uma
representação numérica aproximada da distribuição de probabilidade para a grandeza de
saída. Este procedimento, depois de repetido muitas vezes, gera uma base de dados com os
possíveis valores para a grandeza de saída com a qual se pode construir a sua distribuição
estatística.

IRPA 2013, Rio de Janeiro, RJ, Brazil.

Neste trabalho é apresentado os resultados do desenvolvimento e validação de um software
desenvolvido na linguagem de programação Java para a estimativa da incerteza de medição
do CTDIw por simulação de Monte Carlo. A validação foi realizada a partir da comparação
dos valores obtidos pelo software com os resultados da planilha de cálculo Crystal Ball [11].

2. DESENVOLVIMENTO DO SOFTWARE

Através de uma vasta pesquisa bibliográfica, foi criada uma ficha de levantamento dos
requisitos do software, contendo os principais atributos que o programa deve possuir. Em
seguida, o foi planejado, desenvolvido baseando-se nessa ficha conforme explicitado a seguir.
O sistema foi escrito na linguagem Java utilizando a IDE NetBeans 7.2.1 e o JDK 7u10.

2.1. Simulação de Monte Carlo

Avaliação da incerteza de medição pelo método de simulação de Monte-Carlo foi realizada

através das etapas exibidas na Figura 1.

Figura 1. Fluxograma mostrando as principais etapas de avaliação da incerteza de

medição (adaptada de [10]).

O modelo matemático de medição criado levando em consideração os componentes de

incerteza especificados em manuais de fabricantes de câmaras de ionização, no ambiente e na
definição do mensurando. Foi definido para cada componente de incerteza uma Função de
Densidade de Probabilidade (PDF) e o número de simulações foram definidos com o mínimo
de 106 simulações de acordo com [10]. A probabilidade de abrangência foi definida fixa
como 95,45% não sendo possível a modificação por parte do usuário do sistema.

IRPA 2013, Rio de Janeiro, RJ, Brazil.

As gerações numéricas das distribuições de probabilidade foram especificamente
desenvolvidas de acordo com [10]. Na analise critica das fontes que contribuíam na incerteza
da medição do CTDIw foi observado que apenas as distribuições Normal e Uniforme
(Retangular) contribuíam nas fontes de incerteza conforme mostrado na Tabela 1, sendo
assim foi criada uma classe em Java com dois métodos que retornam números com essas
distribuições de probabilidade conforme ilustra a Figura 2.

Tabela 1. Fontes de incerteza

Símbolo Componentes da incerteza Tipo Distribuição
URe Repetitividade das medições Monitor de Radiação A Normal
UR Resolução do mostrador monitor de radiação B Uniforme
UCal Certificado de Calibração monitor de radiação B Normal
Uet Estabilidade do Monitor de radiação B Uniforme
Ud Incerteza de 1 mm de diâmetro e 0,5 mm de profundidade B Normal
dos furos de medição no Fantoma
Ucd Incerteza de resposta da câmara de ionização no Fantoma B Normal

Figura 2. Classe Java que com dois métodos que retornam as distribuições de
probabilidade Normal e Retangular.

A distribuição Normal é gerada usando a transformada de Box-Muller [10], já a distribuição

Retangular é gerada a partir do limite inferior e limite superior do espaço amostral definido
para a distribuição.

2.2. Processamento paralelo: Java Framework fork/join

O princípio da propagação das densidades de probabilidade numa situação em que o modelo

matemático de medição é usado para calcular eventos prováveis da quantidade de saída a
partir dos eventos prováveis das distribuições das variáveis de entrada, como pode ser
observado na Figura 3, podem exigir muitos recursos computacionais para realizar a
simulação de Monte Carlo [13].

IRPA 2013, Rio de Janeiro, RJ, Brazil.

Figura 3. Ilustração da propagação de distribuições para n grandezas de entrada
independentes (adaptado de [10]).
Neste contexto o software criado utiliza o recurso do processamento paralelo para realizar as
simulações. O framework Fork / join disponível no JDK 7 é uma técnica de design simples,
mas eficaz para paralelização aplicações sequenciais [14]. O fork/join baseia-se na utilização
da estratégia de dividir para conquistar para ocupar todos os processadores ou núcleos
disponíveis no computador [14] [15].

No software desenvolvido a geração dos números aleatórios para cada densidade de

probabilidade das grandezas de entrada é realizada paralelamente utilizando o framework
fork/join e os valores resultantes são salvos em um vetor de resultados de 106 posições. O
vetor de resultado contém a distribuição de probabilidade de saída e com ele é possível criar
um histograma de frequências, possibilitando assim determinar a incerteza de medição para
uma probabilidade de 95,45%. O diagrama de classes do sistema é apresentado na Figura 4.

Figura 4. Ilustração da propagação de distribuições para n grandezas de entrada

independentes (adaptado de [10]).

3. VALIDAÇÃO DO SOFTWARE

Para a validação do sistema foi realizada a medição do CTDIw de um Tomógrafo

Computadorizado da marca General Electric modelo BRIGHT SPEED utilizando o monitor
de radiação da marca RADCAL modelo Accu-Pro/9096 juntamente com a câmara de
ionização tipo lápis modelo 10x6-3CT. Utilizando um fantoma simulador de abdômen de

IRPA 2013, Rio de Janeiro, RJ, Brazil.

polimetil-metacrilato (PMMA) realizou-se 3 medições de kerma em cada orifício do
simulador para o protocolo de abdômen e os resultados obtidos estão listados na Tabela 2.
Tabela 2. Medições de kerma no fantoma de PMMA a 120 kVp e 320mA.
Espessura Incremento
Local da Kerma Número de
Região nominal do corte entre cortes
Medida Média (mGy) cortes
(mm) (mm)
0h 1,28 1,25 16 1,250
3h 0,86 1,25 16 1,250
Abdômen central 0,94 1,25 16 1,250
6h 2,15 1,25 16 1,250
9h 2,40 1,25 16 1,250

Os valores necessários e os dados para cada um dos componentes de incerteza são

apresentados em um balanço de incertezas mostrados Tabela 3, que oferece as mais
importantes contribuintes para a incerteza padrão associada com a estimativa de saída (y) e
leva em conta todos os seus parâmetros necessários para o sistema de avaliação de incerteza.

Tabela 3. Balanço das incertezas

Símbolo Componentes da incerteza Tipo Valor Distribuição u ν
URe Repetitividade das medições Monitor de A 0,60 Normal 1,21 2
Radiação
UR Resolução do mostrador monitor de B 0,01 Uniforme 0,01 ∞
radiação
UCal Certificado de Calibração monitor de B 2,1 Normal 1,05 ∞
radiação
Uet Estabilidade do Monitor de radiação B 0,0 Uniforme 0,01 ∞
Ud Incerteza de 1 mm de diâmetro e 0,5 mm de B 0,0 Normal 0,35 ∞
profundidade dos furos de medição no
Fantoma
Ucd Incerteza de resposta da câmara de B 0,0 Normal 3,0 ∞
ionização no Fantoma

Na Tabela 4 são exibidos os valores dos limites superior e inferior das incertezas expandidas
estimados para uma densidade de probabilidade de 95,45% utilizando 106 simulações para
ambos os softwares Crystal Ball e para o McTrology.

Tabela 4. Resultados obtidos para as simulações para os dois softwares comparados

Software Valor estimado Intervalo 95,45% (mGy) dlow dhigh
U 95,45% para k=2
McTrology 6,25 [5,8 ~ 18,3] 0,19 0,19
Crystal Ball 6,25 [5,7 ~ 18,2] 0,09 0,09

Os resultados obtidos para as simulações apresentaram resultados simétricos com a assimetria

aproximada de -0,0016. Neste caso a incerteza expandida foi calculada a partir da diferença
entre os intervalos inferior e superior de cada distribuição de probabilidade conforme
mostrado na Equação 3 e para o fator de abrangência k=2.

IRPA 2013, Rio de Janeiro, RJ, Brazil.

 (3)

A validação do método de Mote Carlo foi realizada utilizando a tolerância numérica que é
avaliada em termos dos pontos finais dos intervalos de cobertura, e corresponde ao que é
dado pela expressão da incerteza padrão u (y) [10]. Tendo que a incerteza estimada para os
6,25 mGy) escrevendo-a na forma c x 10l onde c e l são números inteiros
dois softwares é (6
temos 6x10 e considerando a tolerância da forma δ = 1/2 x 10l nós obtemos δ = 0,5. De
0

acordo com o ISO GUM Suplemento 1 para que os intervalos de abrangência das
distribuições sejam considerados equivalentes as diferenças entre as extremidades inferiores
dlow e superiores dhigh das distribuições devem ser inferiores à tolerância conforme ilustra a
Equação 4.

dlow< δ e dhigh< δ (4)

Comparando os limites inferiores e superiores exibidos na Tabela 4 com o valor da tolerância

numérica encontrada, pode-se concluir que os intervalos de abrangência das distribuições
obtidas por ambos os softwares avaliados podem ser considerados equivalentes, validando
assim a simulação de Monte Carlo do sistema McTrology.

3. CONCLUSÃO

Com o software apresentado neste trabalho foi possível estimar a incerteza de medição na
avaliação do CTDIw através de analise numérica. Os resultados obtidos no programa
McTrology são semelhantes aos resultados obtidos com o software comercial Crystal Ball.
Com as devidas alterações, o programa proposto neste trabalho pode ser aplicado na maioria
das dosimetrias em equipamentos de Tomografia Computadorizada.

REFERÊNCIAS

1. Shope T.B., Gagne R.M., Johnson G.C.,―A method for describing the doses delivered by
transmission x-ray computed tomography", Med. Phys.,Vol.8(4), pp.488-95 (1981).
2. Kim, S., Song, H., Samei, E., Yin, F., Yoshizumi, T., ―Computed tomography dose index
and dose length product for cone-beam CT: Monte Carlo simulations‖. Journal of Applied
Clinical Medical Physics, Vol. 12, n.2, pp.84-95 (2011).
3. International Atomic Energy, Dosimetry in Diagnostic Radiology: An International Code
of Pratice, ,IAEA,Viena,(2007).
4. Leitz, W., Axelsson, B., Szendro, G., ―Computed tomography dose assessment — a
practical approach‖, Radiat. Prot. Dosim., Vol.57, pp. 377–380 (1995).
5. International Electrotechnical Commission, Medical Electrical Equipment Part 2-44:
Particular Requirements for the Safety of X-Ray Equipment for Computed Tomography,
Rep. IEC-60601-2-44, IEC, Geneva (2002).
6. Cox, M. ,Harris, P. ,Siebert, B.R.-L. "Evaluation of measurement uncertainty based on
the propagation of distributions using Monte Carlo simulation", Measure.Tech.,Vol.46,
pp.824–833 (2003).

IRPA 2013, Rio de Janeiro, RJ, Brazil.

7. ISO/IEC, General requirements for the competence of testing and calibration
laboratories,Rep. ISO/IEC 17025, ISO, Geneva, Switzerland, 1999.
8. ISO/IEC, Guide 99 International Vocabulary of Metrology – Basic and General Concepts
and Associated Terms (VIM), ISO, Geneva, Switzerland, 2007.
9. BIPM, IEC, IFCC, ILAC, ISO, IUPAC, IUPAP , OIML, Evaluation of Measurement Data
– Guide to the Expression of Uncertainty in Measurement,
http://www.bipm.org/utils/common/documents/jcgm/JCGM_100_2008_E.pdf.
10. BIPM, IEC, IFCC, ILAC, ISO, IUPAC, IUPAP and OIML 2008 Evaluation of
Measurement Data – Supplement 1 to the ‗Guide to the Expression of Uncertainty in
Measurement‘ – Propagation of Distributions Using a Monte Carlo Method,
http://www.bipm.org/utils/common/documents/jcgm/JCGM_101_2008_E.pdf.
11. ―Oracle Crystal Ball‖,
http://www.oracle.com/br/products/applications/crystalball/index.html (2012).
12. Junior A., Peixoto, D., Campos, R., ―Definição de requisitos de software baseada numa
arquitetura de modelagem de negócios‖. Prod., São Paulo, Vol. 18, n. 1, pp. 26-46
(2008) .
13. Donatelli G. D., Konrath A. C."Simulação de Monte Carlo na Avaliação de Incertezas de
Medição", Revista de Ciência & Tecnologia, Vol. 13, n.25/26, pp. 5-15 (2005).
14. "Fork and Join: Java Can Excel at Painless Parallel Programming Too!,"
http://www.oracle.com/technetwork/articles/java/fork-join-422606.html (2012).
15. Mateos C., Zunino A., Campo M. ―An approach for non-intrusively adding malleable
fork/join parallelism into ordinary JavaBean compliant applications‖ Computer
Languages, Systems and Structures, Vol.36, n 3 , pp. 288-315 (2010) .

IRPA 2013, Rio de Janeiro, RJ, Brazil.