Redes neuronales artificiales y método Monte Carlo aplicado a la radioterapia
Tesis (DCI)--FCEFN-UNC, 2021
Saved in:
Main Author: | |
---|---|
Other Authors: | |
Format: | doctoralThesis biblioteca |
Language: | spa |
Published: |
2022-04-27
|
Subjects: | Inteligencia artificial, Redes Neuronales artificiales, Monte Carlo, Radioterapia, |
Online Access: | http://hdl.handle.net/11086/24393 |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
id |
dig-unc-ar-11086-24393 |
---|---|
record_format |
koha |
spelling |
dig-unc-ar-11086-243932022-04-29T09:20:00Z Redes neuronales artificiales y método Monte Carlo aplicado a la radioterapia Torres Díaz, Jorge Bonzi, Edgardo Vargas, Laura Juri, Gustavo Inteligencia artificial Redes Neuronales artificiales Monte Carlo Radioterapia Tesis (DCI)--FCEFN-UNC, 2021 La radioterapia (RT) es una modalidad de tratamiento que emplea radiaciones ionizantes como rayos X, rayos γ, electrones, protones, etc., con fines curativos o paliativos. Con el objetivo de proteger los tejidos y/u órganos sanos alrededor del volumen a tratar, un paso previo a la entrega del tratamiento, es la optimización de la distribución de la dosis absorbida en el paciente. En la práctica clínica habitual, esta tarea se realiza mediante sistemas de planificación del tratamiento (TPS). Actualmente, la mayoría de estos sistemas se basan en algoritmos analíticos que pueden dar lugar a inexactitudes importantes, siendo el perfeccionamiento de estos procedimientos de cálculo un campo de constante investigación, y en el cual se trabajó en esta tesis. En una primera instancia, se trabajó en el área de la Braquiterapia (BT) intersticial. El cálculo de dosis en BT se basa en el formalismo del Task Group 43, el cual supone la dosis de cada fuente en un medio infinito y homogéneo de agua. Desarrollamos una metodología en la cual se toma en cuenta la dosis absorbida entre fuentes. La metodología consiste en simular por Monte Carlo (MC) diferentes arreglos de distintas configuraciones de fuentes, de tal forma que podamos reproducir la distribución de los tratamientos. Nuestro método obtuvo excelentes resultados al compararlo con una simulación completa por MC de los mismos casos pruebas. Además, demostró ser un cálculo ultrarrápido, lo cual es una forma efectiva de emplear simulaciones MC en la clínica. En otra instancia, se trabajó en el área de RT externa (EBRT). El espectro de energía es la mejor función descriptiva para determinar la calidad del haz de fotones de un acelerador lineal de electrones clínico (LINAC). El espectro es un parámetro de suma importancia para el cálculo de dosis en los TPS. Los espectros energéticos de los LINAC son difíciles de obtener, dado que son complejos de modelar en forma teórica, incluso conociendo los detalles de diseño del LINAC, y aún de mayor complejidad es su medición. La reconstrucción de los espectros de fotones a partir de las curvas de porciento de dosis en profundidad (PDD) medidas en un maniquí de agua es una opción prometedora. En este sentido, el problema de la reconstrucción es una función de transporte de radiación inversa que está mal condicionada y su solución puede volverse inestable debido a pequeñas perturbaciones en los datos de entrada. En esta tesis se desarrolló para la reconstrucción espectral un software mediante redes neuronales, capaz de predecir el espectro de fotones del LINAC a través de la curva de dosis en profundidad. Para su validación empleamos un modelo de cada una de las tres marcas de LINAC con mayor presencia en el mercado, obteniendo excelentes resultados en la reconstrucción a partir de los PDD medidos. Fil: Torres Díaz, Jorge. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina. 2022-04-28T12:01:32Z 2022-04-28T12:01:32Z 2022-04-27 doctoralThesis http://hdl.handle.net/11086/24393 spa Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ |
institution |
UNC AR |
collection |
DSpace |
country |
Argentina |
countrycode |
AR |
component |
Bibliográfico |
access |
En linea |
databasecode |
dig-unc-ar |
tag |
biblioteca |
region |
America del Sur |
libraryname |
Biblioteca 'Ing. Agrónomo Moisés Farber' de la Facultad de Ciencias Agropecuarias |
language |
spa |
topic |
Inteligencia artificial Redes Neuronales artificiales Monte Carlo Radioterapia Inteligencia artificial Redes Neuronales artificiales Monte Carlo Radioterapia |
spellingShingle |
Inteligencia artificial Redes Neuronales artificiales Monte Carlo Radioterapia Inteligencia artificial Redes Neuronales artificiales Monte Carlo Radioterapia Torres Díaz, Jorge Redes neuronales artificiales y método Monte Carlo aplicado a la radioterapia |
description |
Tesis (DCI)--FCEFN-UNC, 2021 |
author2 |
Bonzi, Edgardo |
author_facet |
Bonzi, Edgardo Torres Díaz, Jorge |
format |
doctoralThesis |
topic_facet |
Inteligencia artificial Redes Neuronales artificiales Monte Carlo Radioterapia |
author |
Torres Díaz, Jorge |
author_sort |
Torres Díaz, Jorge |
title |
Redes neuronales artificiales y método Monte Carlo aplicado a la radioterapia |
title_short |
Redes neuronales artificiales y método Monte Carlo aplicado a la radioterapia |
title_full |
Redes neuronales artificiales y método Monte Carlo aplicado a la radioterapia |
title_fullStr |
Redes neuronales artificiales y método Monte Carlo aplicado a la radioterapia |
title_full_unstemmed |
Redes neuronales artificiales y método Monte Carlo aplicado a la radioterapia |
title_sort |
redes neuronales artificiales y método monte carlo aplicado a la radioterapia |
publishDate |
2022-04-27 |
url |
http://hdl.handle.net/11086/24393 |
work_keys_str_mv |
AT torresdiazjorge redesneuronalesartificialesymetodomontecarloaplicadoalaradioterapia |
_version_ |
1756011204188307456 |