WE‐C‐108‐11: Patient‐Specific Monte Carlo Simulation of Lung Brachytherapy: Metallic Artifact Reduction and Organ‐Constrained Tissue Assignment
Notice bibliographique
Résumé
Purpose: To investigate techniques for developing accurate patient‐specific computational phantoms for Monte Carlo simulations of lung brachytherapy. Methods to mitigate streaking artifacts due to brachytherapy sources in CT images and organ‐constrained tissue assignment schemes are explored. Methods: Three different metallic artifact reduction (MAR) techniques are applied to lung brachytherapy patient CT data: thresholding replaces high CT values with estimated true values; fan‐beam virtual sinogram replaces artifact‐affected values in a virtual sinogram; and 3D median filter uses local voxel values to guide the replacement of outlying voxel values. Computational phantoms are generated from metallic artifact corrected and uncorrected images with voxel composition defined by CT number and density defined either by nominal tissue density or a CT number to density calibration. Multiple tissue assignment schemes are considered, including some with organ‐specific constraints. Dose distributions for I–125 and Cs‐131 seeds are calculated using the EGSnrc user‐code BrachyDose and are compared directly as well as through DVHs and dose metrics for target volumes surrounding surgical sutures. Results: The most effective MAR technique is the virtual sinogram method as it effectively mitigates artifacts while maintaining image integrity. Thresholding only removes artifacts in the vicinity of sources (leaving artifacts in other regions) and median filtering degrades tissue heterogeneities. Dose distributions for phantoms treated with various MAR techniques and tissue assignment schemes can vary significantly. Dose differences between MAR and uncorrected phantoms are reduced by constraining tissue assignments in lung contours; in one example, differences in D90 of 20% are reduced to 3%. Phantoms with nominal densities Result in higher doses than those with CT derived densities. Conclusion: Application of MAR techniques to CT data is necessary to develop realistic computational phantoms for Monte Carlo simulations; the virtual sinogram method is a promising image‐based technique. Organ‐constrained tissue assignment is necessary for accurate tissue assignment. This work was supported by the Natural Sciences and Engineering Research Council, the Canada Research Chairs program, and an Ontario Graduate Scholarship.
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 ».