Comparison of visibility of iodinated hydrogel and gadolinium-modified hyaluronic acid spacer gels on computed tomography and onboard imaging
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: In accelerated partial breast irradiation (APBI), accurate definition of the tumour bed is crucial to reduce the risk of local recurrence and the volume of healthy tissue irradiated. Recently, hydrogels have been proposed to improve visibility of the lumpectomy cavity for APBI. The aim of this study was to alter two commercially available hyaluronic acid (HA) gels, with gadopentenate dimeglumine (GD), a magnetic resonance imaging (MRI) contrast agent. We hypothesize that after injection in the surgical cavity, the mixtures will be visible with computed tomography (CT) for improved treatment planning, cone-beam CT (CBCT) for improved patient setup and planar kilovoltage (kV) x-ray for real-time tracking during treatment. MATERIALS AND METHODS: study, GD was mixed with the two HA gels, and 1 mL of each mixture was injected into fatty and muscular tissue of a pork phantom. Visibility with CT, CBCT and planar x-ray imaging was assessed. Contrast-to-noise ratios (CNR) were measured and compared to commercially available iodinated polyethylene glycol (PEG). RESULTS: The gel mixtures showed increased visibility over HA gels without GD. When comparing CNR of the gel mixtures to that of iodinated PEG on CT, there was a 4-fold increase in muscle for both mixtures and a 1.6-fold to 3.6-fold increase in fat, depending on the HA gel. Gel mixtures showed better visibility with planar kV imaging over iodinated PEG. CONCLUSION: Addition of GD to HA gels increases visibility with CT, CBCT and planar x-ray imaging, indicating potential for improved delineation and positioning in APBI.
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 ».