3.10 Facultad de Física
Permanent URI for this community
Browse
Browsing 3.10 Facultad de Física by browse.metadata.categoriaods "03 Salud y bienestar"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
- ItemEstudio de dosis y calidad de imagen en protocolos clínicos de tomografía computarizada(2023) Muñoz Hernández, Isidora Sofia; Sánchez Nieto, Beatriz; Pontificia Universidad Católica de Chile. Facultad de FísicaObjetivo: Cuantificar dosis a órgano y calidad de imagen en tres protocolos de adquisición de imágenes por CT usados en la clínica, para analizar la relación entre ambas magnitudes con vistas a una posible optimización de protocolos clínicos. Metodología: Con TLD-100, previamente calibrados y colocados en el maniquí antropomórfico ATOM se midió la dosis a órgano y se calculó la dosis efectiva en los protocolos de tórax-abdomen-pelvis, abdomen-pelvis y cerebro-cervical, considerando 3 variantes de dosis para cada protocolo, en el tomógrafo SIEMENS SOMATOM Definition AS de la Clínica Alemana de Santiago. Dichas dosis a órgano, fueron posteriormente comparadas con las reportados por el software comercial de cálculo de dosis QAELUM-DOSE. La calidad de imagen se evaluó mediante el valor promedio de número de CT (HU), ruido, SNR y CNR en 48 ROIs definidos entre las imágenes de los 3 protocolos estudiados y distribuidos entre los tejidos equivalentes que conforman al maniquí antropomórfico (tejido blando, hueso, pulmón, cerebro, cartílago, disco intervertebral, medula espinal y senos paranasales). Finalmente, se analizó la relación entre la calidad de imagen y la dosis en función del ruido, y mediante una función de mérito en función del SNR y la dosis a órgano. Resultados: Se generó un modelo de respuesta en energía de los TLD-100 para el rango de energías en la penumbra de los haces de CT relativas a 6MV. Mediante la separación de la carga generada en cada TLD correspondiente a cada una de las 3 adquisiciones que componen cada protocolo (topograma, sin contraste, con contraste), se estimó la dosis a órgano y se calculó la dosis efectiva para cada protocolo y variante de dosis. Se obtuvo una sobredosis a tiroide de las dosis medidas con TLDs, y una subestimación a tiroide en las reportadas por QAELUM, en los protocolos tórax-abdomen-pelvis y cerebro-cervical. En las variantes de baja de dosis de los protocolos, el topograma contribuye con un 17.76±5.80% a la dosis efectiva. Con respecto a la calidad de imagen, el ruido disminuye con el aumento de dosis, y los SNR y CNR aumentan con el aumento de dosis, para todos los ROIs independiente del tejido. La función de mérito muestra que únicamente para el tejido blando la relación calidad de imagen–dosis aumenta con el aumento de dosis. Conclusiones: Se calculo dosis a órgano y dosis efectiva para 3 protocolos de CT, y 3 variantes de dosis, de interés para la Clínica Alemana, las que se compararon con el software QAELUM. Se cuantifico la calidad de imagen de las imágenes de cada protocolo y variante, y se analizó en función de la dosis. Sería posible optimizar los protocolos analizados de tórax-abdomen-pelvis y cerebro-cervical para minimizar la dosis a tiroide, así como considerar otras opciones de topograma para protocolos de baja dosis. El software QAELUM sobreestimó la dosis en más del 1000% con respecto a las medidas en el cerebro y en general infraestimó la dosis para las variantes de alta y baja energía del protocolo 1 a tiroides y esófago en un 80% aproximadamente.
- ItemPredicción semiautomatizada de respuesta a quimioterapia neoadyuvante en pacientes con cáncer de mama: protocolo de segmentación y modelo radiómico-clínico con imágenes de resonancia magnética(2023) Ramírez Bunster, María Belén; Caprile Etchart, Paola F.; Pontificia Universidad Católica de Chile. Facultad de FísicaAnticipar el resultado de la respuesta tumoral a quimioterapia neoadyuvante podría implicar cambios en la planificación del tratamiento para conducir a mejores resultados clínicos y cambios en la calidad de vida del paciente.En este trabajo se desarrolló un código computacional en lenguaje Python para construir modelos de predicción de la respuesta patológica del tumor (pCR / no-pCR) en base a información clínica y radiómica extraída de imágenes MRI de 59 pacientes con cáncer de mama sometidas a NACT. Específicamente, se utilizaron las secuencias de imágenes T1w y DCE, elaborando un protocolo de segmentación semiautomatizado del tumor y del parénquima de la mama lesionada para el posterior análisis y selección de atributos (features).Se construyeron modelos uni- y multi-variados basados en Machine Learning utilizando distintos algoritmos supervisados de clasificación y, mediante la técnica de validación cruzada k-fold estratificada con repetición con k=3 y n=500 repeticiones, se evaluaron las métricas AUC y Accuracy para analizar el rendimiento de éstos como predictores de pCR del tumor a la terapia neoadyuvante en la cohorte de pacientes con cáncer de mama.
- ItemPredicciones de supervivencia celular a través de machine learning(2025) Valenzuela Paredes, María Pía; Russomando, Andrea; Pontificia Universidad Católica de Chile. Facultad de FísicaLa radioterapia con protones e iones pesados es un tratamiento eficaz contra el cáncer, por esto comprender su impacto a nivel biológico es esencial para optimizar su efectividad. Predecir los efectos biológicos de la radiación, que dependen de las condiciones de irradiación y la complejidad del daño al ADN, sigue siendo un desafío importante, especialmente en distribuciones de dosis como las usadas con partículas pesadas.En este trabajo se desarrollaron modelos de aprendizaje automático para hacer predicciones de supervivencia celular in-vitro. El trabajo principal fue enfocado en modelos para predicciones con partículas pesadas, también se entrenaron modelos similares para experimentos con fotones. A la vez, se combinaron simulaciones Monte Carlo con los modelos para hacer predicciones de supervivencia en profundidad, a partir de una distribución de dosis simulada de protones.Los modelos fueron entrenados usando una base de datos que recopila experimentos in-vitro de la literatura, en particular se usaron datos de 923 experimentos que abarcan 130 líneas celulares y 26 iones distintos. Se usó un número limitado de variables, que considera el tipo de célula y parámetros físicos como la dosis, energía y tipo de ion.Los modelos entrenados alcanzaron un coeficiente de determinación superior a 0.8 en el conjunto de prueba y en el conjunto de validación externa. Asimismo, al combinar los modelos con simulaciones Monte Carlo, fue posible replicar la disminución en la supervivencia celular en una configuración compleja.Este trabajo demuestra que es factible combinar modelos de aprendizaje automático con Monte Carlo, y dada la pequeña cantidad de variables utilizadas, es fácil de implementar en entornos experimentales, proporcionando una alternativa a otros modelos existentes.