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 que os 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.

Gel dosimetry is a technique that allows dose measurement in three dimensions and, therefore, has great potential for application in modern radiotherapy. The calibration of these dosimeters is a crucial procedure and demands considerable time in routine, either in the process of samples irradiation or during image acquisition, using most of the time, Magnetic Resonance Imaging (MRI). Machine Learning (ML) has been used in all knowledge fields, optimizing tasks and procedures. This study aims to use ML models to develop a methodology to predict the calibration curve (Coeficiente angular and Coeficiente linear) of gels batches based on radiomics features extraction of non-irradiated images, with and without wavelets filters. Two regression models were initially proposed: Random Forest (RF) and Categorical Boosting (CB) combined with three methods to feature selection: Mean Decrease Impurity (MDI), Recursive Feature Elimination (RFE), and PowerShap (PS). The data were composed of MRI, and two datasets were defined: dataset 1, used to build the models, and dataset 2, containing MRIs of a different machine than dataset 1, used to evaluate the model developed applicability. Three metrics were used to evaluate the models: Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE). The model showed better accuracy prediction when developed using MSE. The combination using model RF with the PS library showed better results for both models. The MSE value of 6,67 x 10-3 with 77% of its predictions within a deviation of ±5% for Coeficiente angular and 0.073 with 80% of its prediction within the same deviation for Coeficiente linear. For dataset 2, the values achieved were 2,84 x 10-2 for Coeficiente angular, reducing the deviation to ±2% for 94% of its prediction and 0.15 for Coeficiente linear maintaining de ±5% deviation for 74% of the predictions. Also, three classification models were developed to identify the differences between gel samples. RF classifier was the algorithm chosen, and for feature selection, PS was used. Model 1 aimed to predict the oxidant agent type of samples and presented an accuracy of 95%. In comparison, model 2 was built to predict the gelatin bloom used in gel fabrication and got 78% accuracy. Model 3 obtained 80% accuracy in classifying if a gel batch suffered any luminous change during production. Applying these models to dataset 2, the three could correctly predict all samples of this dataset to the classes they belong to.