Clinically Delivered Treatment for Glioma Patients on a Hybrid Magnetic Resonance Imaging (MRI)-Linear Accelerator (MR-Linac) and a Cone Beam CT (CBCT)-Guided Linac: Dosimetric Comparisons with In Vivo Skin Dose Correlation
Notice bibliographique
Résumé
Abstract Background Magnetic Resonance Imaging (MRI)-Linear Accelerator (MR-Linac) radiotherapy requires special consideration for secondary electron interactions within the magnetic field, which can alter dose deposition at air-tissue interfaces. Methods Thirty-seven consecutive glioma patients treated during their radiotherapy course with at least one fraction delivered on MR-Linac or Cone Beam CT (CBCT)-guided Linac, were analyzed. Treatment planning for both systems were completed prior to radiotherapy initiation and approved for clinical delivery using commercial treatment planning systems (TPS): a Monte Carlo calculation-based or convolution calculation-based TPS for MR-Linac or CBCT-Linac, respectively. Dosimetric parameters for planning target volume (PTV), organs-at-risk (OARs), and air-tissue interface were compared. In vivo skin dose during a single fraction of MR-Linac and CBCT-Linac treatment was measured using an Optically Stimulated Luminescent Dosimeter (OSLD) and correlated with TPS skin dose. Results Monte Carlo-based MR-Linac plans and convolution-based CBCT-Linac plans exhibited minimal differences in PTV and OAR parameters. However, MR-Linac plans had greater doses within tissues surrounding air cavities (1.52 Gy higher mean Dmean, p < 0.0001) and skin (1.10 Gy higher mean Dmean, p < 0.0001). In vivo OSLD skin readings were 14.5% greater for MR-Linac treatments (p = 0.0027), and were more accurately predicted by Monte Carlo-based calculation (ρ = 0.95, p < 0.0001) vs. convolution-based (ρ = 0.80, p = 0.0096). Conclusions The magnetic field’s dosimetric impact was minimal for PTV and OARs in glioma as compared to standard CBCT-Linac treatment plans. However, skin doses were significantly greater with the MR-Linac and correlated with in vivo measurements. Future MR-Linac planning processes are being designed to account for skin dosimetry and treatment delivery.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».