Precision dosimetry in yttrium-90 radioembolization through CT imaging of radiopaque microspheres in a rabbit liver model
Notice bibliographique
Résumé
PURPOSE: To perform precision dosimetry in yttrium-90 radioembolization through CT imaging of radiopaque microspheres in a rabbit liver model and to compare extracted dose metrics to those produced from conventional PET-based dosimetry. MATERIALS AND METHODS: A CT calibration phantom was designed containing posts with nominal microsphere concentrations of 0.5 mg/mL, 5.0 mg/mL, and 25.0 mg/mL. The mean Hounsfield unit was extracted from the post volumes to generate a calibration curve to relate Hounsfield units to microsphere concentration. A nominal bolus of 40 mg of microspheres was administered to the livers of eight rabbits, followed by PET/CT imaging. A CT-based activity distribution was calculated through the application of the calibration curve to the CT liver volume. Post-treatment dosimetry was performed through the convolution of yttrium-90 dose-voxel kernels and the PET- and CT-based cumulated activity distributions. The mean dose to the liver in PET- and CT-based dose distributions was compared through linear regression, ANOVA, and Bland-Altman analysis. RESULTS: ) between the MIRD-derived mean dose and the PET- and CT-derived mean dose. Bland-Altman analysis predicted an offset of 15.0 Gy between the mean dose in CT and PET. The dose within the liver was shown to be more heterogeneous in CT than in PET with an average coefficient of variation equal to 1.99 and 1.02, respectively. CONCLUSION: The benefits of a CT-based approach to post-treatment dosimetry in yttrium-90 radioembolization include improved visualization of the dose distribution, reduced partial volume effects, a better representation of dose heterogeneity, and the mitigation of respiratory motion effects. Post-treatment CT imaging of radiopaque microspheres in yttrium-90 radioembolization provides the means to perform precision dosimetry and extract accurate dose metrics used to refine the understanding of the dose-response relationship, which could ultimately improve future patient outcomes.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,001 | 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 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 ».