Patient-specific Monte Carlo dose calculations for<sup>103</sup>Pd breast brachytherapy
Notice bibliographique
Résumé
This work retrospectively investigates patient-specific Monte Carlo (MC) dose calculations for (103)Pd permanent implant breast brachytherapy, exploring various necessary assumptions for deriving virtual patient models: post-implant CT image metallic artifact reduction (MAR), tissue assignment schemes (TAS), and elemental tissue compositions. Three MAR methods (thresholding, 3D median filter, virtual sinogram) are applied to CT images; resulting images are compared to each other and to uncorrected images. Virtual patient models are then derived by application of different TAS ranging from TG-186 basic recommendations (mixed adipose and gland tissue at uniform literature-derived density) to detailed schemes (segmented adipose and gland with CT-derived densities). For detailed schemes, alternate mass density segmentation thresholds between adipose and gland are considered. Several literature-derived elemental compositions for adipose, gland and skin are compared. MC models derived from uncorrected CT images can yield large errors in dose calculations especially when used with detailed TAS. Differences in MAR method result in large differences in local doses when variations in CT number cause differences in tissue assignment. Between different MAR models (same TAS), PTV [Formula: see text] and skin [Formula: see text] each vary by up to 6%. Basic TAS (mixed adipose/gland tissue) generally yield higher dose metrics than detailed segmented schemes: PTV [Formula: see text] and skin [Formula: see text] are higher by up to 13% and 9% respectively. Employing alternate adipose, gland and skin elemental compositions can cause variations in PTV [Formula: see text] of up to 11% and skin [Formula: see text] of up to 30%. Overall, AAPM TG-43 overestimates dose to the PTV ([Formula: see text] on average 10% and up to 27%) and underestimates dose to the skin ([Formula: see text] on average 29% and up to 48%) compared to the various MC models derived using the post-MAR CT images studied herein. The considerable differences between TG-43 and MC models underline the importance of patient-specific MC dose calculations for permanent implant breast brachytherapy. Further, the sensitivity of these MC dose calculations due to necessary assumptions illustrates the importance of developing a consensus modelling approach.
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 ».