Timing considerations for preclinical MRgRT: effects of ion diffusion, SNR and imaging times on FXG gel calibration
Notice bibliographique
Résumé
Sub-millimeter resolution images are required for gel dosimeters to be used in preclinical research, which is challenging for MR probed ferrous xylenol-orange (FXG) dosimeters due to ion diffusion and inadequate SNR. A preclinical 7 T MR, small animal irradiator and FXG dosimeters were used in all experiments. Ion diffusion was analyzed using high resolution (0.2 mm/pixel) T1 MR images collected every 5 minutes, post-irradiation, for an hour. Using Fick's second law, ion diffusion was approximated for the first hour post-irradiation. SNR, T1 map precision and calibration fit were determined for two MR protocols: (1) 10 minute acquisition, 0.35mm/pixel and 3mm slices, (2) 45 minute acquisition, 0. 25 mm/pixel and 2 mm slices. SNR and T1 map precision were calculated using a Monte Carlo simulation. Calibration curves were determined by plotting R1 relaxation rates versus depth dose data, and fitting a linear trend line. Ion diffusion was estimated as 0.003mm2 in the first hour post-irradiation. For protocols (1) and (2) respectively, Monte Carlo simulation predicted T1 precisions of 3% and 5% within individual voxels using experimental SNRs; the corresponding measured T1 precisions were 8% and 12%. The linear trend lines reported slopes of 27 ± 3 Gy*s (R2: 0.80 ± 0.04) and 27 ± 4 Gy*s (R2: 0.90 ± 0.04). Ion diffusion is negligible within the first hour post-irradiation, and an accurate and reproducible calibration can be achieved in a preclinical setting with sub-millimeter resolution.
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 ».