Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Salah satu kekurangan teknik Intensity Modulated Radiation Therapy (IMRT) adalah dosis serap di jaringan sehat yang cukup tinggi. Berkas proton memiliki karakteristik yang mampu mengkompensasi kekurangan tersebut. Karakteristik bragg peak yang dimiliki berkas proton memungkinkan dosis tinggi hanya pada target. Kasus Non-Small Cell Lung Cancer (NSCLC) terletak di sekitar banyak organ vital, sehingga deposisi dosis yang melebihi batas akan berdampak signifikan. Proton juga merupakan partikel bermassa yang menunjukkan pola interaksi dengan heterogenitas jaringan yang berbeda dengan foton. Penelitian ini bertujuan untuk mengetahui distribusi dosis perencanaan berkas proton pada kasus NSCLC dengan teknik IMPT serta membandingkan efektivitasnya dengan teknik IMRT. Perencanaan dilakukan menggunakan TPS Eclipse pada fantom air dan citra fantom in-house thorax dynamic. Perencanaan pada fantom air menggunakan 1 lapangan pada 0^o dan 3 lapangan pada 45^o, 135^o, dan 225^o. Perencanaan pada fantom in-house thorax dynamic dilakukan menggunakan single field, sum-field, dan multiple field. Nilai Conformity Index (CI) dan Homogeneity Index (HI) antara perencanaan IMPT dan IMRT tidak menunjukkan perbedaan yang signifikan. Gradient Index (GI) perencanaan IMPT berkisar antara 4,15-4,53, sedangkan nilai GI perencanan IMRT sebesar 7,89. Terdapat perbedaan yang cukup signifikan antara keduanya. Histogram distribusi dosis planar menunjukkan bahwa hasil perencanaan IMPT memberikan dosis rendah di luar target lebih sedikit dibandingkan hasil perencanaan IMRT. Selain itu dilakukan juga pengukuran dosis hasil perencanaan IMPT pada lima posisi target, serta empat posisi OAR. Hasilnya dibandingkan dengan data pengukuran IMRT. Nilai dosis titik pada target tidak berbeda secara signifikan, namun nilai dosis empat posisi OAR adalah nol, yang menunjukkan reduksi signifikan dibandingkan teknik IMRT.

---

One deficiency of the Intensity Modulated Radiation Therapy (IMRT) technique is that the absorbed dose in healthy tissue is quite high. Proton beams has characteristics that can compensate for these deficiencies. The bragg peak characteristic of a proton beam allows high doses only to the target. Non-Small Cell Lung Cancer (NSCLC) cases are located around many vital organs, so the doses that exceed the limit will has a significant impact. Protons are also heavy particles that show patterns of interaction with tissue heterogeneity, which is different with photons. This study aims to determine the dose distribution of proton beam planning in the NSCLC case with the IMPT technique and to compare its effectiveness with the IMRT technique. Planning was done by using TPS Eclipse on the water phantom and in-house thorax dynamic phantom. Planning parameter on the water phantom used 1 field at 0o and 3 fields at 45o, 135o, and 225o. Moreover, we used single field, sum-field, and multiple fields techniques on the in-house thorax dynamic phantom. Conformity Index (CI) and Homogeneity Index (HI) showed a bit differences between IMPT and IMRT planning. The Gradient Index (GI) of IMPT planning ranges between 4.15-4.53, while the GI value of IMRT is 7.89. The planar dose distribution histogram showed that the results of IMPT planning gave fewer out of target doses than IMRT planning results. In addition, evaluation was also made on the target of IMPT planning at five area of interest, as well as four OAR positions. The results are compared with IMRT measurement data. The point dose value at the target did not differ significantly, however the absorbed dose of the four OAR positions are zero which had a large deviation compared to the IMRT technique.

"

"Optimasi dosis radiasi pada perencanaan klinis menggunakan Treatment Planning System (TPS) untuk pasien radioterapi sangat penting untuk mencapai keseimbangan antara efektivitas terapi dan keselamatan pasien. Namun, proses ini memakan waktu dan sangat bergantung pada keahlian fisikawan medis. Pada penelitian ini dilakukan prediksi dosis menggunakan machine learning pada Planning Target Volume (PTV) dan Organ at Risk (OAR) untuk kasus kanker otak dengan teknik perencanaan Volumetric Modulated Arc Therapy (VMAT). Data DICOM perencanaan di ekstraksi menggunakan 3D slicer untuk mendapatkan nilai radiomic dan dosiomic yang akan digunakan pada penelitian ini dengan menggunakan model algoritma random forest. Hasil evaluasi model menunjukkan bahwa peforma model random forest dalam memprediksi dosis memiliki nilai Mean Square Error (MSE) sebesar 0,018. Nilai Homogeneity Index (HI) dan Conformity Index (CI) untuk data klinis adalah 0,136±0,134 dan 0,939±0,131 secara berturut-turut, sementara hasil prediksinya adalah 0,136±0,039 dan 0,949±0,006, dengan nilai p-value untuk fitur PTV dan OAR > 0,05. Dengan demikian, dapat disimpulkan bahwa model random forest efektif dalam memprediksi dosis untuk PTV kanker otak dan OAR, dan dapat digunakan sebagai referensi dalam proses perencanaan.

---

Optimizing radiation doses in clinical planning using a Treatment Planning System (TPS) for radiotherapy patients is crucial to achieving a balance between therapeutic effectiveness and patient safety. However, this process is timeconsuming and highly dependent on the expertise of medical physicists. In this study, dose prediction using machine learning for the Planning Target Volume (PTV) and Organ at Risk (OAR) in brain cancer cases was performed using the Volumetric Modulated Arc Therapy (VMAT) planning technique. DICOM planning data was extracted using 3D Slicer to obtain radiomic and dosiomic values, which were then used in this study with a random forest algorithm model. Model evaluation results showed that the random forest model's performance in predicting doses had a Mean Square Error (MSE) of 0.018. The Homogeneity Index (HI) and Conformity Index (CI) values for clinical data were 0.136±0.134 and 0.939±0.131, respectively, while the predicted results were 0.136±0.039 and 0.949±0.006, with p-values for PTV and OAR features > 0.05. Therefore, it can be concluded that the random forest model is effective in predicting doses for brain cancer PTV and OAR and can be used as a reference in the planning process."

"Perencanaan klinis untuk pengobatan radioterapi memainkan peran krusial dalam memaksimalkan manfaat pemberian radiasi terapi dan menjamin keselamatan pasien. Pada penelitian ini 60 data treatment planning intensity-modulated radiation therapy (IMRT) dari Rumah Sakit MRCCC Siloam Hospital digunakan dalam model pembelajaran machine learning dengan menggunakan algoritma random forest. Data perencanaan radioterapi berupa radiomic dan dosiomic yang telah dinormalisasi diteliti dengan model algorimta random forest. Hasil evaluasi penelitian menunjukkan model random forest dapat memprediksi distribusi dosis pada kasus kanker paru dengan Mean Squared Error (MSE) sebesar 0,0214. Nilai Homogeneity Index (HI) dan Conformity Index (CI) pada hasil prediksi model random forest adalah 0,087±0,004 dan 0,983±0,003 secara berturut-turut, sementara dari perencanaan klinik diperoleh 0,082±0,025 dan 0,978±0,037 dengan nilai p-value pada PTV and OAR > 0,05 yang menunjukkan bahwa model random forest efektif dan mimiliki performa yang baik dalam memprediksi dosis pada PTV dan OAR pada kasus kanker paru.

---

Clinical planning for radiotherapy treatment plays a crucial role in maximizing the benefits of radiation therapy and ensuring patient safety. In this study, 60 intensity-modulated radiation therapy (IMRT) treatment planning data from MRCCC Siloam Hospital were used in a machine learning model using the random forest algorithm. Radioteraphy treatment plan data, radiomic and dosiomic, are normalized and to be learned by random forest model algorithm. Model evaluation results showed that dose distribution predicted by random forest model had a Mean Squared Error (MSE) of 0.0214. Homogeneity Index (HI) and Conformity Index (CI) values for predicted results were 0.087±0.004 and 0.983±0.003, respectively, while the clinical data were 0,082±0,025 and 0,978±0,037, with p-values for PTV and OAR > 0.05, which concludes that random forest model had a good performance and were effective in lung cancer PTV and OAR dose prediction.

"