Qué Es la Entrega Dinámica de Haz y Por Qué Importa el Monte Carlo
Las técnicas de entrega dinámica — IMRT, tomoterapia y VMAT — modulan la fluencia de partículas en tiempo real mediante dispositivos como colimadores multiláminas (MLC), cuyas posiciones varían continuamente durante la irradiación. Algunas técnicas también modifican simultáneamente la dirección y la energía del haz, como en la terapia de arco o los haces de protones escaneados. Sin simulaciones Monte Carlo (MC), la influencia de estos modificadores de haz sobre la distribución espacial y energética de las partículas incidentes es frecuentemente aproximada por el sistema de planificación de tratamiento (TPS), que no siempre captura todas las sutilezas dosimétricas de los componentes en movimiento.
Guía completa de la serie: para ver el panorama general y los artículos relacionados, vuelve a la guía completa sobre Monte Carlo en radioterapia.
La simulación MC proporciona la precisión dosimétrica necesaria para caracterizar estos modificadores dinámicos, verificar distribuciones de dosis del TPS y realizar cálculos independientes de unidades monitoras (MU). Su superioridad en tejidos de baja densidad como pulmón — comparada con los algoritmos analíticos convencionales — convierte al MC en la elección natural para aplicaciones de radioterapia 4D. Un modelo MC dinámico debidamente validado puede servir como herramienta de comisionamiento para reemplazar mediciones extensas y complicadas, especialmente cuando la resolución o precisión de las mediciones es cuestionable. Métodos precisos de cálculo de dosis también son necesarios para reconstruir la dosis entregada al paciente a partir de archivos log registrados durante el tratamiento.
Este artículo profundiza en las estrategias de simulación para entrega dinámica de haz, geometrías 4D del paciente, efectos de interplay entre movimiento del haz y del paciente, y aplicaciones novedosas que llevan al MC más allá de lo que cualquier TPS comercial ofrece actualmente. Para una perspectiva más amplia sobre cómo funciona el método, consulte nuestro artículo sobre fundamentos del Monte Carlo.
Estrategias para Simular Geometrías Dependientes del Tiempo
Desarrollar algoritmos MC para modelar la entrega dinámica requiere un plano geométrico extremadamente preciso: cada componente de los dispositivos modificadores de haz debe describirse en términos de geometría, composición atómica y posicionamiento dependiente del tiempo. Los enfoques para simular geometrías dinámicas abarcan, en orden de complejidad creciente, desde la modificación de pesos de partículas, pasando por múltiples simulaciones estáticas de estados geométricos discretos, hasta tratar el movimiento del haz como un problema probabilístico donde la geometría se muestrea partícula por partícula.
Ponderación de Partículas
El enfoque más simple surgió de técnicas ya utilizadas en algoritmos analíticos de cálculo de dosis. Los factores de ponderación se determinan a partir de la atenuación lineal mediante ray tracing a través de la geometría del modificador de haz. Las variaciones temporales de las posiciones del modificador se contabilizan escalando estos factores por la fracción del tiempo total de entrega que el modificador bloquea la trayectoria del haz. Ma et al. (2000) aplicaron esta técnica para recalcular planes de IMRT del TPS CORVUS, computando mapas de intensidad 2D a partir de archivos de secuencia de láminas, acumulando MUs para áreas no bloqueadas y, para áreas bloqueadas, ponderando por la fuga promedio de las láminas.
Una limitación crítica es que la no uniformidad de los pesos de partículas genera mayor varianza estadística. Para mejorar la uniformidad de pesos, se puede aplicar particle splitting a partículas con pesos grandes, mientras que la ruleta rusa reduce el número de partículas con pesos bajos. Sin embargo, estas técnicas de reducción de varianza añaden complejidad al código de simulación. El enfoque también ignora el efecto del tongue-and-groove de las láminas y las contribuciones de dispersión desde las hojas del MLC.
Simulación de Componentes Estáticos (SCS)
El método SCS ejecuta múltiples simulaciones discretas de estados geométricos individuales y resulta lógico cuando los cambios de geometría ocurren en pasos discretos — por ejemplo, IMRT step-and-shoot. Para una geometría continuamente variable, debe imponerse un límite razonable al número de muestras geométricas y, por tanto, a la resolución temporal. Una consideración práctica importante: simular más geometrías no necesariamente alarga el tiempo total de cálculo porque el número total de historias puede distribuirse entre las geometrías individuales. El overhead proviene de la preparación de archivos de entrada, la inicialización y el post-procesamiento. Las simulaciones individuales pueden ejecutarse en paralelo y recombinarse después, o cada simulación puede reiniciarse desde la anterior con geometría actualizada (Shih et al., 2001).
El número de historias para cada geometría puede calcularse en base a las MUs fraccionales, de modo que los segmentos que entregan menos MUs reciben menos historias — a costa de mayor varianza estadística en esos segmentos. Alternativamente, puede simularse un número igual de historias para cada geometría y ponderar los resultados por MUs fraccionales durante el post-procesamiento.
Muestreo por Posición-Probabilidad (PPS)
El método PPS, desarrollado por Liu et al. (2001), es más naturalmente adecuado para geometrías que cambian continuamente. Requiere funciones de distribución de probabilidad acumulativa (CPDFs) para cada parámetro geométrico variable. Las probabilidades se calculan a partir de la fracción del tiempo total de entrega que cada elemento geométrico (lámina del MLC, jaw) permanece en una ubicación determinada. Durante la inicialización de cada historia incidente, la configuración geométrica se muestrea aleatoriamente de esta CPDF.
Desde la perspectiva del overhead operacional, el PPS puede ser más eficiente que el SCS. Ambos enfoques producen la misma varianza estadística para un número igual de partículas incidentes si el método SCS calcula el número de historias basándose en la misma CPDF utilizada para el PPS. El PPS no se limita a geometrías continuamente variables — especificando la CPDF apropiadamente, una entrega step-and-shoot también puede modelarse con este enfoque.
Simulaciones de Cuñas Dinámicas
Las cuñas dinámicas o virtuales producen una distribución de dosis en forma de cuña mediante el movimiento dinámico de los jaws colimadores. El movimiento del jaw se especifica como función de las MUs fraccionales en la tabla de tratamiento segmentada (STT). El espectro de partículas emergente de una cuña virtual puede variar significativamente del de una cuña sólida estática, la cual endurece diferencialmente el haz.
Verhaegen y Das (1999) realizaron la primera simulación MC reportada de una cuña dinámica usando EGS4/BEAM en un LINAC Siemens. En su enfoque de dos pasos, primero se simula el transporte a través de la sección superior del cabezal, puntuando un archivo de espacio de fases antes de los jaws superiores. Luego se realizan 20 simulaciones discretas de transporte a través de los jaws, moviendo un jaw superior en pasos de 1 cm entre simulaciones. Los 20 archivos de espacio de fases resultantes se combinan tomando un número precalculado de partículas de cada uno según la razón de MUs en cada posición del jaw. Modelaron cuñas tanto virtuales como físicas de 15° a 60° para energías de 6 a 10 MV, obteniendo buena concordancia con mediciones excepto en la región de penumbra del extremo de la cuña (discrepancias hasta 4%). No se encontraron diferencias mayores entre cuñas físicas y virtuales para efectos de endurecimiento del haz, excepto que las cuñas físicas de 60° producen haces significativamente más duros en todo el campo por la mayor absorción del tungsteno.
Shih et al. (2001) reprodujeron la entrega de cuña dinámica Varian usando la función IRESTART en BEAM con posiciones de jaw y historias actualizadas para cada entrada del STT. Verhaegen y Liu (2001) desarrollaron posteriormente el método PPS para simular la cuña dinámica mejorada (EDW) de Varian, convirtiendo las posiciones del jaw del STT a una CPDF. Ahmad et al. (2009) reportaron concordancia dentro de 2% y 1 mm comparado con mediciones de perfiles y factores de output.
IMRT Basada en MLC: Transporte Detallado de Partículas
La IMRT genera distribuciones de dosis uniformes que cubren el volumen blanco aplicando patrones de fluencia no uniformes desde múltiples direcciones usando secuencias continuas o discretas de aperturas del MLC. En la entrega step-and-shoot, cada subcampo se configura antes de encender el haz. En la entrega de ventana deslizante (dinámica), las láminas se mueven mientras el haz está encendido. Las secuencias del MLC — que especifican las aberturas de láminas como función de las MU entregadas — pueden provenir del TPS o de archivos log post-entrega, que registran el estado de la máquina a intervalos fijos (por ejemplo, 10 ms para el Varian TrueBeam).
Deng et al. (2001) usaron un algoritmo de ray tracing para calcular mapas de intensidad que incluyen la geometría tongue-and-groove de las láminas del MLC, demostrando diferencias significativas respecto a mapas simplificados — un hallazgo con implicaciones directas para la precisión dosimétrica clínica. Keall et al. (2001) fueron más allá, incluyendo contribuciones primarias y de dispersión mediante mapas de probabilidad para los estados de las láminas (abierta, cerrada o punta de lámina pasando por un punto de la grilla), con la contribución de dispersión obtenida integrando factores de atenuación para posiciones sucesivas de la punta de las láminas.
El código MC rápido VCU-MLC (Siebers et al., 2002) adopta un enfoque eficiente: usa una aproximación de Compton único para interacciones fotónicas dentro del MLC, no realiza transporte de electrones y reduce los pesos de electrones incidentes por la probabilidad de impactar una lámina del MLC. La geometría de cada lámina se aproxima segmentándola en mitades superior e inferior con el grosor correcto para modelar tongue-and-groove. Para cada partícula incidente, el peso se modifica muestreando aleatoriamente 100 posiciones del MLC del archivo de secuencia de láminas y promediando las probabilidades de transmisión. Comparado con los métodos SCS y PPS, se requieren menos partículas fuente, resultando en una ganancia significativa de eficiencia. El modelo del MLC se extendió para simular transporte de fotones a través de jaws y MLC simultáneamente con múltiples interacciones Compton (Seco et al., 2008).
Leal et al. (2003) y Seco et al. (2005) realizaron las primeras simulaciones completas LINAC-paciente para LINACs Siemens y Elekta usando BEAMnrc, donde la entrega step-and-shoot se modeló con el método SCS. Cada haz consistía en 5–15 segmentos simulados individualmente, con historias proporcionales a las MUs del segmento. Se desarrollaron scripts para automatizar la generación y distribución de archivos separados para cada espacio de fases de segmento. Para más detalle sobre modelado de haces fotónicos, vea nuestro artículo sobre modelado Monte Carlo de haces fotónicos externos.
Tomoterapia: Desafíos de la Entrega Helicoidal
Simular tomoterapia resulta particularmente desafiante porque el ángulo del gantry cambia continuamente durante la entrega. La tomoterapia helicoidal usa una fuente de haz en abanico rotatorio modulada por un MLC binario, con la entrega especificada por un archivo de sinograma que contiene tiempos fraccionales de apertura para cada lámina en posiciones discretas del gantry. La traslación del sofá como función de la rotación del gantry se especifica mediante el pitch. Como la entrega es dinámica, el movimiento de láminas ocurre mientras la fuente rota, y puede ser necesario submuestrear el sinograma para capturar con precisión los efectos dosimétricos del movimiento combinado del gantry y las láminas.
Sterpin et al. (2008) desarrollaron TomoPen, un código de usuario PENELOPE específicamente para simulación de tomoterapia helicoidal. Primero se crea un archivo de espacio de fases para cada uno de los tres ajustes de jaw utilizados durante la entrega. Luego, para cada entrada del sinograma, se crea un espacio de fases específico de la proyección ajustando los pesos de las partículas. Para modelar la entrega continua, cada entrada del sinograma se subdivide en 11 subproyecciones con aberturas de láminas interpoladas linealmente. Los factores de ponderación asumen atenuación lineal a través de las láminas del MLC, y solo se consideran las láminas abiertas o adyacentes a una abierta — la radiación de fuga a través de regiones completamente cerradas no se modela. Las comparaciones con mediciones de película y cámara de ionización mostraron concordancia dentro de 2% y 1 mm.
Zhao et al. (2008a) tomaron un camino diferente usando EGSnrc/BEAMnrc con el método SCS. Cada entrada del sinograma se subdivide en subcampos estáticos del MLC, y el número de historias para cada subproyección es proporcional al tiempo de apertura calculado de las láminas. Los espacios de fases se rotan en el plano XY y el isocentro se modifica a lo largo de la dirección Z para simular la entrega helicoidal.
VMAT: Arcoterapia Volumétrica Modulada
El VMAT entrega IMRT con rotación continua del gantry mientras modifica dinámicamente las aperturas del MLC y modula la tasa de dosis. La entrega se especifica mediante una secuencia de puntos de control que definen ángulo del gantry, posiciones de láminas del MLC y MU acumulativa. Existe un fuerte interés clínico en usar simulaciones MC para control de calidad específico del paciente en planes VMAT. Sin embargo, Boylan et al. (2013) advirtieron que las aproximaciones del TPS para modelar la entrega VMAT significan que los ajustes del archivo del plan pueden no representar con precisión cómo el plan será realmente entregado por el LINAC.
Li et al. (2001) describieron un enfoque basado en SCS para VMAT de Elekta usando EGS4/BEAM, discretizando cada arco en pasos de 5°–10° para simulaciones estáticas. Bush et al. (2008) modelaron la entrega RapidArc de Varian, abordando el significativo movimiento de láminas entre puntos de control computando un ángulo medio del gantry para cada par consecutivo de posiciones y usando las aberturas adyacentes como puntos de control DMLC en ese ángulo medio. La tasa de dosis variable se contabiliza ponderando la dosis por las MUs fraccionales por segmento. El mismo grupo usó archivos log registrados para reconstruir la dosis entregada en tratamientos RapidArc (Teke et al., 2009).
Se desarrollaron dos enfoques basados en PPS para BEAMnrc. Lobo y Popescu (2010) basaron el suyo en ISOURCE 9 de DOSXYZnrc, modificado para que la primera vez que una partícula entra en cualquier módulo de componente dinámico reciba un «sello temporal» — un índice MU fraccional muestreado aleatoriamente. Este sello sincroniza todos los componentes dinámicos: jaws, MLC, rotación del gantry, colimador y movimiento del sofá. ISOURCE 20 usa un espacio de fases puntuado sobre los colimadores secundarios (útil cuando los fabricantes proporcionan un archivo de espacio de fases en vez de un modelo completo del cabezal, como con Varian TrueBeam), mientras ISOURCE 21 consiste en un modelo completo del acelerador. Belec et al. (2011) desarrollaron un segundo enfoque PPS almacenando el índice MU como variable temporal en el archivo de espacio de fases, reemplazando la variable ZLAST. Una modificación posterior (Popescu y Lobo, 2013) creó archivos de espacio de fases «4D» en formato IAEA.
Simulaciones Dinámicas del Paciente: Movimiento Respiratorio
La necesidad de cálculo de dosis 4D del paciente fue impulsada por el interés en compensar los efectos del movimiento respiratorio durante la planificación y entrega del tratamiento (Keall et al. 2004). Bortfeld et al. (2004) identificaron tres efectos del movimiento sobre la dosis entregada: (1) desenfoque a lo largo de la trayectoria de movimiento, (2) deformaciones espaciales localizadas en interfaces de órganos con cambios de densidad, y (3) efecto interplay entre movimiento tumoral y entrega dinámica del haz. Cada uno de estos efectos requiere diferentes niveles de complejidad en la simulación.
Métodos de Convolución
Si se asume que la distribución de dosis es invariante ante desplazamientos, el efecto del movimiento sobre muchas fracciones puede estimarse convolucionando la distribución de dosis con una distribución de probabilidad que describe las variaciones posicionales (Lujan et al., 1999). Esto captura solo el efecto de desenfoque — las deformaciones de dosis y el movimiento diferencial no pueden modelarse por convolución. La asunción de invarianza ante desplazamientos también falla en interfaces tisulares, potencialmente subestimando la dosis en estas ubicaciones (Craig et al. 2001; Chetty et al. 2004). La convolución de fluencia fue propuesta como alternativa (Beckham et al., 2002), modificando las posiciones y cosenos directores de las partículas en el archivo de espacio de fases mediante muestreo aleatorio de desplazamientos de una distribución de probabilidad del movimiento respiratorio. Aunque supera la limitación de la invarianza, todavía aproxima al paciente como un cuerpo rígido en movimiento.
Métodos de Mapeo de Dosis: Centro de Masa e Interpolación
La limitación de la convolución es que no considera el movimiento diferencial de órganos, la deformación y los cambios de densidad que causan que la forma de la distribución de dosis se deforme localmente durante la entrega. El enfoque tipo SCS calcula distribuciones de dosis en diferentes fases respiratorias, ponderadas por la fracción del ciclo respiratorio que representan. Rosu et al. (2007) demostraron que no hay diferencias significativas en los DVH entre dosis acumuladas calculadas con diez estados respiratorios versus solo inhalación y exhalación — aunque esta conclusión depende del diseño del plan de tratamiento.
El enfoque de mapeo más simple, el remapeo de centro de masa (COM), usa registro deformable de imágenes para determinar qué voxel de la geometría objetivo corresponde a cada voxel de la geometría de referencia. Paganetti et al. (2004) implementaron COM en GEANT4 usando el método UpdateValue para actualizar la geometría del paciente a través de 10 fases respiratorias de un dataset 4D-CT. La interpolación trilineal de la dosis desde voxels vecinos en el punto COM transformado puede mejorar la precisión, pero Heath y Seuntjens (2006) mostraron que los errores de interpolación producen cálculos de dosis incorrectos en regiones de grandes gradientes de dosis y deformación. Siebers y Zhong (2008) demostraron además que cuando voxels de la geometría objetivo se fusionan en la geometría de referencia (compresión), los métodos de interpolación de dosis no conservan la dosis integral.
Voxel Warping: Transporte MC con Conservación de Energía
Heath et al. (2007, 2011) y Siebers y Zhong (2008) desarrollaron dos enfoques MC que aseguran la conservación de energía. El primer método, voxel warping, deforma los nodos de la grilla de dosis de referencia usando vectores de deformación del registro de imágenes. Implementado en defDOSXYZnrc (Heath et al., 2007), el transporte de partículas ocurre en la geometría de voxels deformada. Como los índices de voxels no cambian entre los estados de referencia y deformado, la energía se conserva. Las densidades de los voxels deformados se ajustan según los cambios de volumen para conservar la masa. Cada cara de voxel deformado se subdivide en dos subplanos, formando dodecaedros, lo que duplica el número de cálculos de distancia al borde. El determinante del Jacobiano identifica discontinuidades en la transformación:
$$\det J(N(x)) = \begin{vmatrix} \frac{\partial u_x}{\partial x} + 1 & \frac{\partial u_x}{\partial y} & \frac{\partial u_x}{\partial z} \\ \frac{\partial u_y}{\partial x} & \frac{\partial u_y}{\partial y} + 1 & \frac{\partial u_y}{\partial z} \\ \frac{\partial u_z}{\partial x} & \frac{\partial u_z}{\partial y} & \frac{\partial u_z}{\partial z} + 1 \end{vmatrix}$$
Donde $u_x$, $u_y$, $u_z$ son las componentes del campo de desplazamiento. Un valor negativo del determinante en un nodo indica discontinuidad en la transformación — por ejemplo, en la interfaz pulmón-pared torácica donde ocurre deslizamiento. Estas discontinuidades pueden eliminarse suavizando el campo de transformación de forma global o local.
Los cálculos con defDOSXYZnrc son hasta 10 veces más lentos que el DOSXYZnrc estándar debido a la verificación adicional de bordes. La reimplementación en VMC++ (Heath y Kawrakow, 2011) logró una mejora de 130 veces en eficiencia computacional usando elementos tetraédricos optimizados, dividiendo cada voxel deformado en 6 tetraedros. La principal ventaja de los elementos tetraédricos es eliminar la ambigüedad en la intersección plano-partícula mientras requiere menos planos a verificar por elemento. Comparado con cálculos rectilíneos en VMC++, la geometría deformable aumenta el tiempo de cálculo solo por un factor de 2 para la misma varianza estadística.
Métodos de Mapeo de Energía
Siebers y Zhong (2008) propusieron una alternativa donde las partículas se transportan en la geometría rectilínea objetivo mientras los puntos de deposición de energía se mapean a la grilla de dosis de referencia usando vectores de deformación. La ubicación de deposición de energía se muestrea aleatoriamente a lo largo del paso de la partícula, resultando en solo 10%–50% de tiempo de cómputo adicional (denominado etmDOSXYZnrc). Sin embargo, si la transformación entre geometrías de referencia y objetivo es inexacta — como siempre ocurre con imágenes reales de pacientes debido a artefactos, ruido y efectos de volumen parcial — la energía mapeada será inconsistente con las masas de los voxels de referencia, produciendo distribuciones de dosis discontinuas.
Zhong y Siebers (2009) abordaron esto con el método de Mapeo Congruente de Energía y Masa (EMCM), que mapea tanto energía como masa de forma consistente. Los voxels objetivo se subdividen en 100 subvoxels cuyas masas se mapean usando los mismos vectores de deformación que los puntos de deposición de energía, logrando una precisión de mapeo de masa del 99.95%. Heath et al. (2011) propusieron un enfoque alternativo de mapeo de energía por superposición de volúmenes: cada voxel de referencia se subdivide en tetraedros, se deforma usando vectores de desplazamiento, y el volumen intersectado por cada tetraedro y los voxels objetivo determina la energía mapeada. Las diferencias medias entre EMCM e interpolación trilineal de dosis fueron del 7% de la dosis máxima.
Efecto Interplay: Cuando Haz y Paciente Se Mueven Juntos
El efecto interplay — la interacción entre el movimiento dinámico de las láminas del MLC y el movimiento tumoral — es una preocupación central en la radioterapia modulada por intensidad con fotones y protones. Yu et al. (1998) demostraron que con entrega DMLC, el movimiento intrafracción causa grandes errores en la dosis fotónica local por fracción debido al movimiento en la región de penumbra del haz. La magnitud de estas variaciones de dosis depende fuertemente de la velocidad de la apertura del haz relativa a la velocidad del movimiento del blanco y del ancho del haz de escaneo relativo a la amplitud del movimiento.
Para la terapia con protones, los efectos interplay se complican por factores adicionales: (1) respiración del paciente, (2) tiempos de cambio de energía del protón, (3) amplitud de movimiento, y (4) la metodología de rescanning utilizada (Seco et al., 2009a). Estos factores pueden producir inhomogeneidades de dosis clínicamente significativas dentro del volumen blanco.
El método SCS puede estudiar el interplay asignando cada apertura de haz a una fase respiratoria específica. Litzenberg et al. (2007) desarrollaron el enfoque de «entrega dinámica sincronizada», combinando el seguimiento del archivo log del MLC (archivos Dynalog) con la posición en tiempo real del volumen blanco mediante transpondedores electromagnéticos inalámbricos (Calypso), que proporcionan actualizaciones de posición 10 veces por segundo. Cada partícula en la simulación MC se transporta a través de un segmento MLC seleccionado y hacia una fase respiratoria específica del cubo de dosis. Aunque fue demostrado en phantoms, este enfoque requiere que todos los cubos de dosis de las fases respiratorias residan en la memoria de la CPU, lo cual se vuelve exigente para grandes datasets CT de pacientes.
Para superar la limitación de usar múltiples cubos de datos CT, Gholampourkashi et al. (2017) combinaron ISOURCE 21 con el método de voxel warping en 4DdefDOSXYZnrc. Para cada partícula incidente, el índice MU que muestrea los ajustes del colimador dinámico también determina la amplitud fraccional de respiración de un trazo respiratorio normalizado. Esta amplitud escala los vectores de deformación aplicados a la malla de geometría del paciente, recreando la anatomía del paciente en ese momento temporal. Las simulaciones de entrega VMAT fueron validadas contra mediciones de dosis con película y MOSFET en un phantom de pulmón deformable programable construido a medida (Gholampourkashi et al. 2020). Para profundizar en cómo Monte Carlo maneja cálculos de dosis en el paciente, consulte nuestro artículo sobre cálculo de dosis Monte Carlo en el paciente.
Simulaciones Dinámicas de Protones
Antes de la introducción de sistemas de entrega por escaneo para haces de protones, la modulación temporal utilizaba ruedas moduladoras de rango giratorias para crear un pico de Bragg extendido (spread-out Bragg peak). Palmans y Verhaegen (1998) reportaron lo que es quizás la primera simulación MC dinámica publicada, implementando el método PPS en el código MC PTRAN para simular una rueda moduladora de rango.
Paganetti (2004) describió un modelo detallado de la línea de haz del Northwest Proton Therapy Center usando GEANT4. Los elementos dinámicos — rueda moduladora de rango e imanes de escaneo del haz — se modelaron explotando la capacidad de GEANT4 para actualizar valores de parámetros geométricos durante la simulación. Las actualizaciones de geometría se realizaron en forma temporal lineal con cada paso de tiempo asignado a un número de historias. La rotación de la rueda moduladora se simuló en pasos de 0.5°, mientras que los ajustes de los imanes de escaneo se actualizaron en pasos de 0.02 T. El tiempo de cálculo prácticamente no se vio afectado por el número de actualizaciones de geometría, ya que solo involucraba actualizar un puntero en memoria.
Shin et al. (2012) describieron un framework para geometrías dependientes del tiempo en la herramienta MC de protones basada en GEANT4, TOPAS (Perl et al. 2012). Los valores de parámetros dependientes del tiempo se especifican asignando un Time Feature, con la evolución temporal muestreada en forma secuencial o aleatoria definida por la Sequence. Para más sobre Monte Carlo en haces de iones, vea nuestro artículo sobre Monte Carlo para haces de iones en radioterapia.
Aplicaciones Novedosas y Futuras
Los métodos MC 4D resumidos aquí pueden simular entregas con muchos más grados de libertad de los que permiten los LINACs convencionales. Tales entregas ya son posibles con los LINACs TrueBeam en Developer Mode (Varian), CyberKnife y sistemas Vero-SBRT (BrainLab y Mitsubishi Heavy Industries) — pero ningún TPS comercial puede actualmente calcular distribuciones de dosis correspondientes a trayectorias de haz de tal complejidad. Las simulaciones MC 4D han demostrado ser capaces de modelar continuamente configuraciones variables de haz y geometrías y cinemáticas complejas de tratamiento respecto al paciente, otorgando a estas herramientas un papel importante tanto en verificación como en planificación.
Teke et al. (2013) desarrollaron una herramienta MC basada en BEAMnrc usando ISOURCE 20 para simular la entrega de dosis basada en el archivo XML que codifica las instrucciones de entrega, demostrando simulación precisa de entregas con rotación continua del colimador, traslación del sofá y rotación del sofá. Popescu et al. (2015) realizaron simulaciones VMAT usando ISOURCE 20 para puntuar espacios de fases 4D en los límites del phantom CT del paciente, demostrando la capacidad de calcular distribuciones de dosis incrementales o acumulativas en el EPID simultáneamente con el cálculo de dosis del paciente. Podesta et al. (2016) fueron los primeros en desarrollar una técnica MC para generar información de tasa de dosis, estudiando aspectos temporales de la entrega con haces FFF (sin filtro aplanador).
Comparación de Enfoques de Simulación MC Dinámica
| Enfoque | Método | Mejor Aplicación | Eficiencia vs. MC Estándar | Limitación Principal |
|---|---|---|---|---|
| Ponderación de Partículas | Ray tracing + factores de peso | Cálculos IMRT rápidos aproximados | Alta (overhead mínimo) | Pesos no uniformes aumentan varianza |
| SCS | Múltiples simulaciones estáticas discretas | IMRT step-and-shoot | Moderada (overhead de I/O) | Gestión de archivos para muchos segmentos |
| PPS | Muestreo aleatorio de CPDFs | VMAT, tomoterapia, entregas continuas | Moderada a alta | Complejidad de construcción de CPDF |
| VCU-MLC | Compton único + promedio de 100 muestras | Cálculos de dosis IMRT del paciente | Alta (menos partículas fuente) | Física de transporte MLC simplificada |
| defDOSXYZnrc | Voxels deformados en dodecaedros | Simulaciones 4D del paciente | ~10x más lento que DOSXYZnrc | Requiere campo de deformación continuo |
| VMC++ deformable | Geometría tetraédrica deformada | Simulaciones 4D del paciente (rápidas) | Solo 2x más lento que VMC++ rectilíneo | Generación de malla tetraédrica |
| EMCM | Mapeo congruente de energía y masa | Acumulación de dosis con conservación de masa | 10%–50% overhead vs. DOSXYZnrc | Subdivisión en 100 subvoxels por voxel |
| 4DdefDOSXYZnrc | ISOURCE 21 + voxel warping | Estudios completos de interplay 4D | Variable | Requiere modelo completo del LINAC |
Fuente: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)
El futuro apunta hacia la planificación y verificación de tratamiento dependiente del tiempo usando MC como un framework unificado — uno que modele simultáneamente el haz, la anatomía del paciente y su interacción temporal. A medida que las plataformas de entrega novedosas aumentan los grados de libertad disponibles, el MC permanece como el único motor de cálculo de dosis con la flexibilidad y precisión para mantenerse al nivel. Para perspectivas sobre la aceleración de estos cálculos mediante IA, consulte nuestro artículo sobre IA y el futuro del Monte Carlo en radioterapia.
