Skin dose enhancement from the application of skin-care creams using FF and FFF photon beams in radiotherapy: A Monte Carlo phantom evaluation
Notice bibliographique
Résumé
Skin-care cream is commonly applied to relieve skin redness in radiotherapy. However, using cream on the patient under the photon field would increase the skin dose in delivery. The aim of this study is to evaluate the dependences of skin dose enhancement on different beam and cream variables using Monte Carlo simulation. Using a solid water phantom with water-equivalent bolus, PMMA layer and cream layer, we irradiated it by 6 MV photon beams. Skin doses were calculated by varying the beam quality (flattening-filter (FF) and flattening-filter-free (FFF)), beam angle (0°–80°), skin-care cream type (water-based and silicon-based) and cream thickness (0–3 mm) using the EGSnrc Monte Carlo code. The densities of the water- and silicon-based cream were 0.92 and 1.14 g/cm<sup>3</sup>. The dose enhancement factor (DEF) defined as the ratio of the skin dose with skin-care cream to the skin dose without cream was calculated. It is found that the FF photon beam had higher DEF value than the FFF. For the water-based cream of 3 mm, the DEF for the FF beam was about 22.1% higher than that of the FFF. While for the silicon-based cream with the same thickness, the DEF was 24.2% higher. DEF value also increased with the beam angle. The DEF values were from 1.4 to 2.52 (water-based cream) and 1.42 to 2.68 (silicon-based cream) when the beam angle was increased from 20° to 80° using the 6 MV FF beams. Similarly, for the 6 MV FFF beams, the DEF values increased from 1.29 to 2.07 and 1.30 to 2.18 for the water- and silicon-based cream. These simulation results showed that the skin dose enhancement increased with an increase of beam angle, cream thickness, cream density, and the irradiation of FFF photon beams.
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 ».