SU‐F‐T‐398: Improving Radiotherapy Treatment Planning Using Dual Energy Computed Tomography Based Tissue Characterization
Notice bibliographique
Résumé
Purpose: Both kVp settings and geometric distribution of various materials lead to significant change of the HU values, showing the largest discrepancy for high‐Z materials and for the lowest CT scanning kVp setting. On the other hand, the dose distributions around low‐energy brachytherapy sources are highly dependent on the architecture and composition of tissue heterogeneities in and around the implant. Both measurements and Monte Carlo calculations show that improper tissue characterization may lead to calculated dose errors of 90% for low energy and around 10% for higher energy photons. We investigated the ability of dual‐energy CT (DECT) to characterize more accurately tissue equivalent materials. Methods: We used the RMI‐467 heterogeneity phantom scanned in DECT mode with 3 different set‐ups: first, we placed high electron density (ED) plugs within the outer ring of the phantom; then we arranged high ED plugs within the inner ring; and finally ED plugs were randomly distributed. All three setups were scanned with the same DECT technique using a single‐source DECT scanner with fast kVp switching (Discovery CT750HD; GE Healthcare). Images were transferred to a GE Advantage workstation for DECT analysis. Spectral Hounsfield unit curves (SHUACs) were then generated from 50 to 140‐keV, in 10‐keV increments, for each plug. Results: The dynamic range of Hounsfield units shrinks with increased photon energy as the attenuation coefficients decrease. Our results show that the spread of HUs for the three different geometrical setups is the smallest at 80 keV. Furthermore, among all the energies and all materials presented, the largest difference appears at high Z tissue equivalent plugs. Conclusion: Our results suggest that dose calculations at both megavoltage and low photon energies could benefit in the vicinity of bony structures if the 80 keV reconstructed monochromatic CT image is used with the DECT protocol utilized in this work.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».