El c\u00e1lculo de dosis en el paciente es el punto culminante de toda simulaci\u00f3n Monte Carlo (MC) en radioterapia. A diferencia de los modelos anal\u00edticos simplificados, el MC rastrea part\u00edcula por part\u00edcula \u2014 y eso lo cambia todo. Los principales c\u00f3digos disponibles hoy son EGSnrc, MCNP, GEANT4 y PENELOPE, todos basados en la t\u00e9cnica de historia condensada<\/strong> propuesta por Berger en 1963, donde miles de interacciones de electrones se agrupan en pasos macrosc\u00f3picos.<\/p>\n Existen dos clases de implementaci\u00f3n. En la clase I<\/strong> (usada por MCNP\/ETRAN), todas las colisiones se agrupan y las part\u00edculas secundarias por encima de un umbral energ\u00e9tico se crean a posteriori<\/em>. En la clase II<\/strong> (EGSnrc, GEANT4, PENELOPE), las colisiones \u00abduras\u00bb o catastr\u00f3ficas se rastrean individualmente mientras las \u00abblandas\u00bb siguen el esquema de clase I. Los artefactos de step-size y los problemas de cruce de fronteras ya est\u00e1n bien comprendidos y resueltos \u2014 lo que mejor\u00f3 significativamente la precisi\u00f3n de los c\u00f3digos MC modernos. Para una visi\u00f3n completa del tema, consulte nuestra gu\u00eda completa sobre Monte Carlo en Radioterapia<\/a>.<\/p>\n Toda simulaci\u00f3n MC introduce ruido estad\u00edstico inevitable en la dosis calculada. La fluctuaci\u00f3n alrededor del valor medio en cada voxel \u2014 caracterizada por la varianza $\\sigma^2$ \u2014 afecta directamente las l\u00edneas de isodosis y los histogramas dosis-volumen (DVHs). En la simulaci\u00f3n ideal, la varianza cero ser\u00eda el objetivo, pero eso requerir\u00eda tiempo infinito de computaci\u00f3n.<\/p>\n El rendimiento de un c\u00e1lculo MC se mide por la eficiencia<\/strong> $\\varepsilon$, definida como:<\/p>\n $$\\varepsilon = \\frac{1}{\\sigma^2 T}$$<\/p>\n Donde:<\/p>\n Para mejorar la eficiencia, podemos reducir $\\sigma^2$ para un dado $T$ (t\u00e9cnicas de reducci\u00f3n de varianza) o reducir $T$ para un dado $N$ sin alterar la varianza.<\/p>\n No todo scoring necesita ocurrir en voxels c\u00fabicos regulares. El motor PEREGRINE, por ejemplo, utiliza dosels<\/strong> \u2014 esferas superpuestas independientes de la malla de transporte de material. La simulaci\u00f3n monitorea la desviaci\u00f3n est\u00e1ndar en el dosel con mayor dosis y termina cuando alcanza el nivel especificado por el usuario.<\/p>\n Otro enfoque son los kugels<\/strong>, utilizados por el motor Macro Monte Carlo (MMC). Los electrones se transportan en pasos macrosc\u00f3picos a trav\u00e9s de esferas de diferentes materiales y radios, con resultados precalculados almacenados en tablas lookup. El concepto, introducido por Neuenschwander et al. (1995), permite c\u00e1lculos r\u00e1pidos de planificaci\u00f3n para haces de electrones.<\/p>\n Cuando los voxels individuales se combinan en vol\u00famenes mayores \u2014 como \u00f3rganos segmentados \u2014 se pierde resoluci\u00f3n espacial, pero se gana en velocidad y precisi\u00f3n en la predicci\u00f3n de dosis por \u00f3rgano. \u00bfLa limitaci\u00f3n? El contorno de vol\u00famenes depende significativamente del cl\u00ednico que lo realiza. Por eso, el scoring por \u00f3rgano funciona mejor en ambientes controlados como el phantom NCAT<\/strong>, basado en el dataset Visible Human, que modela anatom\u00eda 3D con superficies NURBS e incorpora movimiento respiratorio y card\u00edaco 4D.<\/p>\n El tama\u00f1o del voxel de scoring impacta directamente el tiempo de c\u00e1lculo, pues determina el tiempo gastado en verificaciones de cruce de fronteras. Cygler et al. (2004) demostraron que el n\u00famero de historias necesarias por unidad de \u00e1rea es linealmente proporcional a la masa de los voxels de scoring.<\/p>\n Existe tambi\u00e9n la varianza latente<\/strong>, concepto acu\u00f1ado por Sempau et al. (2001). Se trata de la incertidumbre residual proveniente de las fluctuaciones estad\u00edsticas en el phase space generado por la simulaci\u00f3n del cabezal del acelerador. Incluso reutilizando part\u00edculas del phase space infinitas veces, la incertidumbre converge a este valor finito e irreducible. Si la varianza latente es significativa en el presupuesto total de incertidumbre, m\u00e1s part\u00edculas independientes de phase space deben generarse.<\/p>\n El m\u00e9todo batch<\/strong> divide las historias en $N$ lotes (t\u00edpicamente 10) y estima la incertidumbre como:<\/p>\n $$s_{\\bar{X}} = \\sqrt{\\frac{\\sum_{i=1}^{N}(X_i – \\bar{X})^2}{N(N-1)}}$$<\/p>\n Walters et al. (2002) identificaron tres problemas: (1) pocos batches generan fluctuaciones en la propia incertidumbre, (2) la agrupaci\u00f3n arbitraria ignora correlaciones entre part\u00edculas, y (3) el m\u00e9todo a\u00f1ade una dimensi\u00f3n extra a las cantidades de scoring.<\/p>\n El m\u00e9todo historia-por-historia<\/strong>, implementado seg\u00fan el enfoque de Salvat, resuelve estos problemas manteniendo registros acumulados de $\\sum X_i^2$ y $\\sum X_i$ durante la simulaci\u00f3n, calculando la incertidumbre final v\u00eda:<\/p>\n $$s_{\\bar{X}} = \\sqrt{\\frac{1}{N(N-1)} \\left[ \\sum_{i=1}^{N} X_i^2 – \\frac{\\left(\\sum_{i=1}^{N} X_i\\right)^2}{N} \\right]}$$<\/p>\n Este m\u00e9todo elimina la necesidad de almacenar datos en batches y es computacionalmente m\u00e1s eficiente.<\/p>\n Reducir fluctuaciones estad\u00edsticas simulando m\u00e1s historias es el camino puro, pero impracticable sin t\u00e9cnicas de reducci\u00f3n de varianza poderosas. La alternativa es eliminar el ruido a posteriori<\/em> con algoritmos de denoising \u2014 an\u00e1logos a la restauraci\u00f3n de imagen \u2014 acelerando el c\u00e1lculo MC.<\/p>\n Kawrakow (2002) estableci\u00f3 cinco criterios de precisi\u00f3n que se convirtieron en est\u00e1ndar para evaluar algoritmos de suavizado:<\/p>\n Sempau y Bielajew (2000) propusieron tratar el DVH calculado como la convoluci\u00f3n del DVH verdadero (varianza cero) con ruido, aplicando deconvoluci\u00f3n para recuperar la se\u00f1al original. En la pr\u00e1ctica, las decisiones basadas en DVHs podr\u00edan tomarse r\u00e1pidamente, viabilizando el uso de MC en todas las etapas de la planificaci\u00f3n inversa.<\/p>\n Jiang et al. (2000) adoptaron un enfoque similar, tratando el DVH MC como imagen borrosa y aplicando minimizaci\u00f3n por m\u00ednimos cuadrados iterativos para restaurarlo.<\/p>\n El denoising de DVHs no resuelve completamente el problema, ya que las distribuciones de dosis se eval\u00faan de m\u00faltiples formas (isodosis, TCP\/NTCP). Diversos m\u00e9todos atacan la distribuci\u00f3n 3D directamente:<\/p>\n Filtrado digital (Deasy, 2000)<\/strong> \u2014 Primero en proponer denoising 3D, demostr\u00f3 que los filtros digitales mejoran la usabilidad visual y la confiabilidad cl\u00ednica de distribuciones MC para electrones.<\/p>\n Wavelets (Deasy et al., 2002)<\/strong> \u2014 Coeficientes wavelet por debajo de un umbral se anulan, suprimiendo ruido con poca introducci\u00f3n de bias. Aceleraci\u00f3n de 2x o m\u00e1s.<\/p>\n Savitzky-Golay 3D (Kawrakow, 2002)<\/strong> \u2014 Generalizaci\u00f3n 3D con ventana adaptativa basada en la incertidumbre local. Reduce historias necesarias por factores de 2 a 20. Extremadamente \u00fatil en la fase iterativa de planificaci\u00f3n.<\/p>\n Difusi\u00f3n anisotr\u00f3pica adaptativa (Miao et al., 2003)<\/strong> \u2014 Par\u00e1metros de filtrado se modifican seg\u00fan el ruido local. Reduce ruido 2-5x (factor de hasta 20x en tiempo de simulaci\u00f3n) preservando gradientes de dosis.<\/p>\n IRON (Fippel y N\u00fcsslin, 2003)<\/strong> \u2014 Algoritmo iterativo de reducci\u00f3n de ruido que minimiza derivadas parciales segundas de la dosis. Ganancia de 2 a 10x en tiempo de c\u00e1lculo.<\/p>\n Filtro h\u00edbrido mediana-media adaptativo (El Naqa et al., 2005)<\/strong> \u2014 Combina operador mediana en regiones de fuerte gradiente con operador media en regiones homog\u00e9neas.<\/p>\nEn Este Art\u00edculo<\/h2>\n
\n
Incertidumbres Estad\u00edsticas y Geometr\u00edas de Scoring<\/h2>\n
\n
Geometr\u00edas de Scoring: Dosels, Kugels y \u00d3rganos Segmentados<\/h3>\n
Efectos del Tama\u00f1o de Voxel y Varianza Latente<\/h3>\n
M\u00e9todos de Estimaci\u00f3n de Incertidumbre<\/h3>\n
M\u00e9todos de Denoising y Suavizado<\/h2>\n
\n
Denoising de DVHs<\/h3>\n
Denoising de Distribuciones 3D de Dosis<\/h3>\n