Contrast Enhancement for Portal Imaging in Nanoparticle-Enhanced Radiotherapy: A Monte Carlo Phantom Evaluation Using Flattening-Filter-Free Photon Beams
Notice bibliographique
Résumé
Our team evaluated contrast enhancement for portal imaging using Monte Carlo simulation in nanoparticle-enhanced radiotherapy. Dependencies of percentage contrast enhancement on flattening-filter (FF) and flattening-filter-free (FFF) photon beams were determined by varying the nanoparticle material (gold, platinum, iodine, silver, iron oxide), nanoparticle concentration (3-40 mg/mL) and photon beam energy (6 and 10 MV). Phase-space files and energy spectra of the 6 MV FF, 6 MV FFF, 10 MV FF and 10 MV FFF photon beams were generated based on a Varian TrueBeam linear accelerator. We found that gold and platinum nanoparticles (NP) produced the highest contrast enhancement for portal imaging, compared to other NP with lower atomic numbers. The maximum percentage contrast enhancements for the gold and platinum NP were 18.9% and 18.5% with a concentration equal to 40 mg/mL. The contrast enhancement was also found to increase with the nanoparticle concentration. The maximum rate of increase of contrast enhancement for the gold NP was equal to 0.29%/mg/mL. Using the 6 MV photon beams, the maximum contrast enhancements for the gold NP were 79% (FF) and 78% (FFF) higher than those using the 10 MV beams. For the FFF beams, the maximum contrast enhancements for the gold NP were 53.6% (6 MV) and 53.8% (10 MV) higher than those using the FF beams. It is concluded that contrast enhancement for portal imaging can be increased when a higher atomic number of NP, higher nanoparticle concentration, lower photon beam energy and no flattening filter of photon beam are used in nanoparticle-enhanced radiotherapy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 ».