Impact of interseed attenuation and tissue composition for permanent prostate implants
Notice bibliographique
Résumé
The purpose is to evaluate the impact of interseed attenuation and prostate composition for prostate treatment plans with 125I permanent seed implants using the Monte Carlo (MC) method. The effect of seed density (number of seeds per prostate unit volume) is specifically investigated. The study focuses on treatment plans that were generated for clinical cases. For each plan, four different dose calculation techniques are compared: TG-43 based calculation, superposition MC, full MC with water prostate, and full MC with realistic prostate tissue. The prostate tissue description is from the ICRP report 23 (W. S. Snyer, M. J. Cook, E. S. Nasset, L. R. Karkhausen, G. P. Howells, and I. H. Tipton, "Report of the task group on reference man," Technical Report 23, International Commission on Radiological Protection, 1974). According to the comparisons, the seed density has an influence on interseed attenuation. A plan with a typical low seed density (42 0.6 mCi seeds in a 26 cm3 prostate) suffers a 1.2% drop in the CTV D90 value due to interseed attenuation. A drop of 3.0% is calculated for a higher seed density (75 0.3 mCi seeds, same prostate). The influence of the prostate composition is similar for all seed densities and prostate sizes. The difference between MC simulations in water and MC simulations in prostate tissue is between 4.4% and 4.8% for the D90 parameter. Overall, the effect on D90 is ranging from 5.8% to 12.8% when comparing clinically approved TG-43 and MC simulations in prostate tissue. The impact varies from one patient to the other and depends on the prostate size and the number of seeds. This effect can reach a significant level when reporting correlations between clinical effect and deposited dose.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».