En este art\u00edculo presentamos un an\u00e1lisis exhaustivo de los tres art\u00edculos fundamentales que definieron el CCC: los kernels de deposici\u00f3n de energ\u00eda generados por Monte Carlo (Mackie et al., 1988<\/strong>), el m\u00e9todo de convoluci\u00f3n con conos colapsados (Ahnesj\u00f6, 1989<\/strong>) y la implementaci\u00f3n pr\u00e1ctica en sistema de planificaci\u00f3n (Cho et al., 2012<\/strong>). Tambi\u00e9n discutiremos las implementaciones comerciales en sistemas como Pinnacle (Philips), Oncentra (Elekta) y RayStation (RaySearch), y compararemos el CCC con otros algoritmos de c\u00e1lculo de dosis.<\/p>\n En la d\u00e9cada de 1980, el c\u00e1lculo de dosis para radioterapia depend\u00eda de m\u00e9todos emp\u00edricos basados en tablas de porcentaje de dosis en profundidad (PDD) y perfiles laterales medidos en agua. Estos m\u00e9todos \u2014 como el algoritmo de Clarkson para integraci\u00f3n de campos irregulares \u2014 funcionaban razonablemente para geometr\u00edas simples en medios homog\u00e9neos, pero no pod\u00edan manejar la realidad anat\u00f3mica de los pacientes. Tejido pulmonar, cavidades de aire, hueso cortical e implantes met\u00e1licos alteran profundamente el transporte de radiaci\u00f3n, y los m\u00e9todos emp\u00edricos aplicaban solo correcciones burdas de raz\u00f3n tejido-aire (TAR) o raz\u00f3n tejido-fantoma (TPR).<\/p>\n El problema fundamental era conceptual. En un medio homog\u00e9neo de agua, la dosis en cualquier punto puede calcularse por convoluci\u00f3n: la fluencia de fotones primarios se convoluciona con un kernel que describe c\u00f3mo la energ\u00eda se redistribuye despu\u00e9s de cada interacci\u00f3n. Mackie et al. (1985) formalizaron esto matem\u00e1ticamente. Sin embargo, en medios heterog\u00e9neos, el kernel cambia de punto a punto \u2014 dependiendo de la densidad y composici\u00f3n del tejido entre el punto de interacci\u00f3n y el punto de deposici\u00f3n. La convoluci\u00f3n simple se transforma en superposici\u00f3n, y el costo computacional sube de $n^3$ a $n^6$ operaciones, donde $n$ es el n\u00famero de voxels por dimensi\u00f3n.<\/p>\n La simulaci\u00f3n Monte Carlo completa resolv\u00eda el problema con precisi\u00f3n, pero en 1989 una planificaci\u00f3n t\u00edpica llevar\u00eda horas o d\u00edas en el hardware disponible. Los cl\u00ednicos necesitaban algo intermedio: un algoritmo que capturara la f\u00edsica del transporte de energ\u00eda en medios heterog\u00e9neos, pero que se ejecutara en minutos. El CCC de Ahnesj\u00f6 llen\u00f3 ese vac\u00edo con una soluci\u00f3n elegante \u2014 reduciendo la complejidad a $n^4 \\times m$ operaciones mediante la aproximaci\u00f3n de conos colapsados, sin sacrificar significativamente la precisi\u00f3n dosim\u00e9trica.<\/p>\n Los kernels de deposici\u00f3n de energ\u00eda \u2014 tambi\u00e9n llamados energy deposition point kernels<\/em> o dose spread arrays<\/em> \u2014 son la pieza central de cualquier algoritmo de convoluci\u00f3n\/superposici\u00f3n. Describen c\u00f3mo la energ\u00eda se distribuye en el espacio alrededor de un punto de interacci\u00f3n primaria de fotones. El trabajo seminal de T.R. Mackie, J.W. Scrimger, J.J. Battista<\/strong> (1988) estableci\u00f3 el m\u00e9todo est\u00e1ndar para generar estos kernels usando simulaci\u00f3n Monte Carlo.<\/p>\n Mackie y colaboradores utilizaron el c\u00f3digo Monte Carlo EGS<\/strong> (Electron Gamma Shower) con un c\u00f3digo de usuario llamado SCASPH<\/strong> para simular el transporte de part\u00edculas en un fantoma esf\u00e9rico homog\u00e9neo de agua. La geometr\u00eda se divid\u00eda en:<\/p>\n Fotones monoenerge\u0301ticos eran forzados a interactuar en el centro de la esfera. A partir de esa interacci\u00f3n primaria, todas las part\u00edculas secundarias \u2014 electrones Compton, pares electr\u00f3n-positr\u00f3n, fotoelectrones, electrones de aniquilaci\u00f3n y fotones de bremsstrahlung \u2014 eran rastreadas hasta perder toda su energ\u00eda cin\u00e9tica o escapar del fantoma. La energ\u00eda depositada en cada voxel (definido por la intersecci\u00f3n cono-capa) se registraba y acumulaba a lo largo de miles de historias.<\/p>\n Una contribuci\u00f3n fundamental del trabajo de Mackie fue la descomposici\u00f3n de los kernels por orden de scattering:<\/p>\n Los kernels fueron calculados para fotones monoenerg\u00e9ticos de 0,1 a 50 MeV<\/strong>. Adem\u00e1s de los kernels de deposici\u00f3n, el trabajo tambi\u00e9n caracteriz\u00f3 el transporte de part\u00edculas primarias mediante par\u00e1metros como centro efectivo del voxel, profundidad de penetraci\u00f3n, radio efectivo y distancia lateral efectiva. Estos datos sirvieron como base de datos fundamental para todos los algoritmos de convoluci\u00f3n\/superposici\u00f3n posteriores, incluyendo el CCC.<\/p>\n El kernel total puede descomponerse en componentes primaria y de dispersi\u00f3n. Las integrales de normalizaci\u00f3n satisfacen:<\/p>\n $$\\iiint K_p(\\mathbf{r})\\,dV = \\frac{\\mu_{en}}{\\mu}$$<\/p>\n $$\\iiint K_s(\\mathbf{r})\\,dV = \\frac{\\mu – \\mu_{en}}{\\mu}$$<\/p>\n Donde $\\mu$ es el coeficiente de atenuaci\u00f3n lineal total y $\\mu_{en}$ es el coeficiente de absorci\u00f3n lineal de energ\u00eda. Estas relaciones son fundamentales para la verificaci\u00f3n de los kernels generados y para la aplicaci\u00f3n de correcciones de calidad del haz en implementaciones cl\u00ednicas.<\/p>\n La figura ilustra kernels para 0,5 MeV y 50 MeV. La diferencia es dram\u00e1tica. A bajas energ\u00edas (por debajo de 1 MeV), la contribuci\u00f3n de fotones dispersados domina y el kernel es relativamente isotr\u00f3pico \u2014 la energ\u00eda se distribuye casi uniformemente en todas las direcciones. A altas energ\u00edas (por encima de 10 MeV), el transporte de electrones se vuelve dominante y altamente direccional: la energ\u00eda se deposita preferentemente en la direcci\u00f3n forward (misma direcci\u00f3n del fot\u00f3n incidente), con alcances laterales significativos de los electrones secundarios.<\/p>\n Este cambio de comportamiento con la energ\u00eda tiene consecuencias pr\u00e1cticas profundas. Para haces de 6 MV, donde la energ\u00eda media del espectro est\u00e1 alrededor de 2 MeV, los kernels son moderadamente anisotr\u00f3picos y la correcci\u00f3n por heterogeneidades tiene importancia intermedia. Para haces de 15-18 MV, los kernels son fuertemente anisotr\u00f3picos y las fallas de algoritmos simples en pulm\u00f3n y cavidades de aire se vuelven cl\u00ednicamente relevantes. El CCC, al transportar energ\u00eda a lo largo de direcciones discretas con scaling por densidad, captura esta anisotrop\u00eda de forma significativamente mejor que los algoritmos tipo pencil beam.<\/p>\n Trabajar directamente con kernels tabulados para cada energ\u00eda en cada \u00e1ngulo es computacionalmente costoso y dificulta el c\u00e1lculo recursivo. Ahnesj\u00f6 y Mackie (1987) propusieron un ajuste anal\u00edtico que viabiliz\u00f3 el CCC:<\/p>\n $$K(r, \\theta) = \\frac{A_\\theta\\, e^{-a_\\theta r} + B_\\theta\\, e^{-b_\\theta r}}{r^2}$$<\/p>\n Donde:<\/p>\n La elegancia de esta formulaci\u00f3n reside en la posibilidad de c\u00e1lculo recursivo. Si conocemos la dosis acumulada hasta la posici\u00f3n $r_i$ a lo largo de una l\u00ednea, la contribuci\u00f3n hasta $r_{i+1} = r_i + \\Delta r$ puede obtenerse multiplicando por la exponencial correspondiente \u2014 sin recalcular toda la integral. Esta propiedad es lo que hace al CCC computacionalmente viable.<\/p>\n Los haces cl\u00ednicos no son monoenerg\u00e9ticos. Un haz de 6 MV contiene fotones de 0 a 6 MeV con energ\u00eda media alrededor de 2 MeV. Adem\u00e1s, el espectro cambia con la profundidad (endurecimiento del haz) y con la posici\u00f3n lateral (ablandamiento fuera del eje). Existen dos enfoques principales:<\/p>\n Una alternativa refinada consiste en convolver separadamente los kernels primario y de dispersi\u00f3n con las respectivas fracciones TERMA: $\\mu_{en}\/\\mu$ para el primario y $(\\mu – \\mu_{en})\/\\mu$ para la dispersi\u00f3n. Como cada componente es afectada de forma diferente por el cambio espectral, esta separaci\u00f3n mejora la precisi\u00f3n sin costo computacional significativo.<\/p>\n El art\u00edculo de Anders Ahnesj\u00f6<\/strong>, publicado en 1989 en la revista Medical Physics<\/em>, es el trabajo fundacional del CCC. Ahnesj\u00f6 propuso una soluci\u00f3n elegante al problema de la superposici\u00f3n en medios heterog\u00e9neos, combinando tres innovaciones: ray-tracing para TERMA, kernels polienerg\u00e9ticos anal\u00edticos y la aproximaci\u00f3n de cono colapsado.<\/p>\n La TERMA (Total Energy Released per unit MAss) describe la energ\u00eda total liberada por fotones en cada punto del volumen. Ahnesj\u00f6 calcul\u00f3 la TERMA trazando rayos desde la fuente de fotones a trav\u00e9s del volumen del paciente:<\/p>\n $$T(\\mathbf{r}’) = \\Psi(\\mathbf{r}’) \\cdot \\frac{\\mu(\\mathbf{r}’)}{\\rho(\\mathbf{r}’)}$$<\/p>\n Donde $\\Psi(\\mathbf{r}’)$ es la fluencia energ\u00e9tica en el punto $\\mathbf{r}’$ (calculada por ray-tracing con atenuaci\u00f3n exponencial) y $\\mu\/\\rho$ es el coeficiente m\u00e1sico de atenuaci\u00f3n del tejido en ese punto. La fluencia se aten\u00faa a lo largo del camino considerando la composici\u00f3n y densidad del tejido \u2014 heterogeneidades como pulm\u00f3n, hueso y aire alteran tanto la atenuaci\u00f3n como la TERMA resultante.<\/p>\n La superposici\u00f3n directa requiere integrar la contribuci\u00f3n de todos los $n^3$ voxels de interacci\u00f3n para cada uno de los $n^3$ voxels de deposici\u00f3n \u2014 $n^6$ operaciones en total, subiendo a $n^7$ con scaling variable. El CCC resuelve esto discretizando el espacio angular en $m$ direcciones fijas (t\u00edpicamente 13 ejes generando 26 sentidos, o versiones m\u00e1s refinadas con 48 o m\u00e1s direcciones).<\/p>\n Para cada una de esas $m$ direcciones, toda la energ\u00eda de un cono s\u00f3lido con \u00e1ngulo s\u00f3lido $\\Omega$ se colapsa<\/strong> (proyecta) sobre la l\u00ednea central del cono. La energ\u00eda se transporta y deposita paso a paso a lo largo de esa l\u00ednea, usando la formulaci\u00f3n anal\u00edtica del kernel. En cada paso, el c\u00e1lculo considera la densidad radiol\u00f3gica local para escalar el kernel.<\/p>\n La ecuaci\u00f3n de deposici\u00f3n a lo largo de una direcci\u00f3n de cono $\\hat{\\Omega}_j$ puede escribirse como:<\/p>\n $$D_j(\\mathbf{r}) = \\sum_{i} T(\\mathbf{r}_i’) \\cdot \\Delta V_i \\cdot \\frac{\\Omega_j}{4\\pi} \\cdot \\frac{A_\\theta e^{-a_\\theta d_{\\rho}} + B_\\theta e^{-b_\\theta d_{\\rho}}}{d_{\\rho}^2}$$<\/p>\n Donde $d_{\\rho}$ es la distancia radiol\u00f3gica (escalada por densidad) entre $\\mathbf{r}_i’$ y $\\mathbf{r}$, y $\\Omega_j\/4\\pi$ es la fracci\u00f3n del \u00e1ngulo s\u00f3lido cubierta por el cono $j$. La dosis total es la suma sobre todas las direcciones:<\/p>\n $$D(\\mathbf{r}) = \\sum_{j=1}^{m} D_j(\\mathbf{r})$$<\/p>\n Gracias a la forma exponencial de los kernels, el transporte a lo largo de cada l\u00ednea puede calcularse recursivamente. Si designamos $E_j(\\mathbf{r}_k)$ como la energ\u00eda acumulada que llega al voxel $k$ a lo largo de la direcci\u00f3n $j$, la contribuci\u00f3n del voxel siguiente $k+1$ se obtiene por:<\/p>\n $$E_j(\\mathbf{r}_{k+1}) = E_j(\\mathbf{r}_k) \\cdot e^{-a_\\theta \\Delta d_{\\rho}} + T(\\mathbf{r}_k) \\cdot \\Delta V_k \\cdot \\frac{\\Omega_j}{4\\pi}$$<\/p>\n Esta recursi\u00f3n reduce el n\u00famero total de operaciones a $n^4 \\times m$<\/strong>, donde $n^3$ son los voxels y $n$ es la longitud t\u00edpica de las l\u00edneas de transporte. En la pr\u00e1ctica, con $m \\sim 26$ a $48$ direcciones y grids de $128^3$ a $256^3$ voxels, el c\u00e1lculo completo toma de segundos a pocos minutos en hardware moderno.<\/p>\n La aproximaci\u00f3n de cono colapsado preserva la conservaci\u00f3n de energ\u00eda por construcci\u00f3n. Toda la energ\u00eda emitida en cada \u00e1ngulo s\u00f3lido se atribuye a la l\u00ednea central del cono correspondiente. No hay p\u00e9rdida ni ganancia neta \u2014 la energ\u00eda total depositada en el volumen es igual a la energ\u00eda total liberada (TERMA integrada), respetando las fracciones de escape cuando la energ\u00eda sale del volumen del paciente.<\/p>\n Ahnesj\u00f6 valid\u00f3 el CCC para potenciales de aceleraci\u00f3n de 4, 6, 10, 15 y 24 MeV<\/strong> en dos geometr\u00edas:<\/p>\n Las distribuciones de dosis calculadas por el CCC fueron comparadas con simulaciones de referencia usando el c\u00f3digo Monte Carlo EGS4<\/strong>. La concordancia fue excelente en ambas geometr\u00edas y en todo el rango de energ\u00eda probado. Ahnesj\u00f6 demostr\u00f3 que el n\u00famero de operaciones es proporcional al n\u00famero de puntos de c\u00e1lculo \u2014 estableciendo viabilidad cl\u00ednica. El art\u00edculo original se\u00f1ala que el CCC puede modelar tanto el transporte lateral de electrones en interfaces como la atenuaci\u00f3n diferencial en medios de densidades distintas, superando a los algoritmos basados en correcci\u00f3n primario-dispersi\u00f3n disponibles en la \u00e9poca.<\/p>\n Un haz cl\u00ednico real diverge desde la fuente. Esta divergencia modifica no solo la fluencia (ley del inverso del cuadrado), sino tambi\u00e9n la direcci\u00f3n de los kernels: rigurosamente, los kernels fuera del eje deben inclinarse para acompa\u00f1ar la divergencia. En la pr\u00e1ctica, Sharpe y Battista (1993) demostraron que, para la mayor\u00eda de los casos cl\u00ednicos, mantener los kernels paralelos al eje central es aceptable.<\/p>\n \u00bfCu\u00e1ndo deja de funcionar? A distancias fuente-superficie cortas, campos grandes y altas energ\u00edas. Sustituir un kernel inclinado por uno paralelo aumenta su contribuci\u00f3n al eje del haz, sobreestimando el PDD on-axis. Papanikolaou et al. (1993) y Liu et al. (1997) propusieron como compensaci\u00f3n aplicar la correcci\u00f3n del inverso del cuadrado en los puntos de deposici\u00f3n en lugar de en los puntos de interacci\u00f3n primaria. Ahnesj\u00f6 et al. (2005) adoptaron un enfoque m\u00e1s expl\u00edcito: usar la forma anal\u00edtica de los kernels con par\u00e1metros de ajuste dependientes del \u00e1ngulo de inclinaci\u00f3n.<\/p>\n El tratamiento de heterogeneidades es donde el CCC se diferencia fundamentalmente de los algoritmos m\u00e1s simples. Si el medio tiene densidad diferente del agua, el teorema de O’Connor permite obtener la misma distribuci\u00f3n de dosis escalando todas las dimensiones del fantoma proporcionalmente. En la pr\u00e1ctica, esto equivale a sustituir todas las distancias en la ecuaci\u00f3n de convoluci\u00f3n por las distancias radiol\u00f3gicas equivalentes.<\/p>\n La ecuaci\u00f3n general de convoluci\u00f3n en medio homog\u00e9neo es:<\/p>\n $$D(\\mathbf{r}) = \\iiint T(\\mathbf{r}’) \\cdot K(\\mathbf{r} – \\mathbf{r}’)\\,d^3\\mathbf{r}’$$<\/p>\n En medios heterog\u00e9neos, las distancias se escalan seg\u00fan la densidad local. Tres regiones deben considerarse por separado:<\/p>\n En el CCC, este scaling se aplica naturalmente a lo largo de cada l\u00ednea de transporte. La distancia radiol\u00f3gica $d_\\rho$ acumula la densidad relativa voxel a voxel: $d_\\rho = \\sum_i \\rho_i \\cdot \\Delta s_i$, donde $\\Delta s_i$ es la longitud geom\u00e9trica en el voxel $i$ y $\\rho_i$ es su densidad relativa al agua. Esta acumulaci\u00f3n permite que el kernel exponencial se ajuste autom\u00e1ticamente: en pulm\u00f3n ($\\rho \\approx 0,3$), la distancia radiol\u00f3gica crece m\u00e1s lentamente que la distancia geom\u00e9trica, haciendo que el kernel decaiga m\u00e1s lentamente y la energ\u00eda penetre m\u00e1s profundamente \u2014 exactamente lo que ocurre f\u00edsicamente.<\/p>\n Incluso con scaling completo, la ecuaci\u00f3n de convoluci\u00f3n en medio heterog\u00e9neo permanece aproximada. Para el kernel primario, el scaling rectil\u00edneo no es exacto respecto al scattering m\u00faltiple de electrones secundarios. Para el kernel de dispersi\u00f3n, el scaling rectil\u00edneo solo es riguroso para la componente de primer scattering. Mackie et al. (1985) sugirieron separar el kernel de primer scattering del de scattering m\u00faltiple, escalando este \u00faltimo con base en un valor de densidad promedio. Como la componente de scattering m\u00faltiple es una fracci\u00f3n peque\u00f1a de la dosis total, usar el mismo valor de densidad para toda la dispersi\u00f3n tambi\u00e9n es aceptable en la pr\u00e1ctica cl\u00ednica.<\/p>\n El art\u00edculo de Woong Cho, Kwangzoo Chung y colaboradores<\/strong> (2012), publicado en el Journal of the Korean Physical Society<\/em>, detalla c\u00f3mo transformar la teor\u00eda del CCC en un sistema de planificaci\u00f3n funcional. Mientras Ahnesj\u00f6 defini\u00f3 el framework matem\u00e1tico, Cho demostr\u00f3 los detalles pr\u00e1cticos de la implementaci\u00f3n.<\/p>\n El primer desaf\u00edo pr\u00e1ctico es determinar la fluencia de fotones que entra en el paciente. Cho utiliz\u00f3 un modelo de tres fuentes<\/strong>:<\/p>\n Este modelo de m\u00faltiples fuentes es m\u00e1s preciso que el modelo de fuente puntual simple, especialmente para campos grandes y para reproducir el efecto horn<\/strong> (aumento de la fluencia en los bordes del campo causado por el filtro ecualizador c\u00f3nico). Los par\u00e1metros del modelo se ajustan durante el commissioning del acelerador, usando medidas de PDD, perfiles laterales y factores de output para diferentes tama\u00f1os de campo.<\/p>\n La TERMA en el trabajo de Cho incorpora varios efectos f\u00edsicos que se ignoran en implementaciones simplificadas:<\/p>\n La dosis fue calculada por convoluci\u00f3n de la TERMA con un kernel polienerg\u00e9tico, aproximado por decenas de l\u00edneas de conos colapsados<\/strong>. Cho implement\u00f3 t\u00edpicamente 26 a 48 direcciones discretas. En cada direcci\u00f3n, la deposici\u00f3n de energ\u00eda sigue la formulaci\u00f3n recursiva descrita en la secci\u00f3n sobre Ahnesj\u00f6, con scaling por densidad voxel a voxel.<\/p>\n La validaci\u00f3n experimental de Cho es particularmente relevante porque utiliza dosimetr\u00eda de pel\u00edcula en condiciones realistas:<\/p>\n Los resultados mostraron concordancia dentro del 2% entre CCC y medidas de pel\u00edcula<\/strong> para la gran mayor\u00eda de los puntos, con excepci\u00f3n de la regi\u00f3n de build-up<\/strong>. En esta regi\u00f3n (primeros mil\u00edmetros), la modelizaci\u00f3n emp\u00edrica de la contaminaci\u00f3n electr\u00f3nica y la transici\u00f3n al equilibrio electr\u00f3nico son dif\u00edciles de capturar anal\u00edticamente, resultando en discrepancias mayores. Cho observ\u00f3 que el CCC present\u00f3 un desempe\u00f1o significativamente superior al pencil beam en situaciones con heterogeneidades, confirmando la ventaja te\u00f3rica prevista por Ahnesj\u00f6.<\/p>\n El CCC fue adoptado por diversos fabricantes de sistemas de planificaci\u00f3n de tratamiento (TPS). Cada implementaci\u00f3n tiene particularidades, pero todas siguen el framework establecido por Mackie, Ahnesj\u00f6 y validado por Cho:<\/p>\n El Pinnacle fue el primer TPS comercial en implementar el CCC como algoritmo principal de c\u00e1lculo de dosis. Desarrollado a partir de los trabajos originales de Mackie et al. en la Universidad de Wisconsin, el Pinnacle usa kernels de Mackie con la formulaci\u00f3n de cono colapsado de Ahnesj\u00f6. Hist\u00f3ricamente considerado el \u00abest\u00e1ndar de oro\u00bb entre los algoritmos de convoluci\u00f3n\/superposici\u00f3n, el Pinnacle usa t\u00edpicamente 26 a 80 direcciones de cono, con opci\u00f3n de aumentar para geometr\u00edas complejas.<\/p>\n El Oncentra Masterplan tiene conexi\u00f3n directa con Ahnesj\u00f6, quien particip\u00f3 en el desarrollo del Helax-TMS en Suecia. La implementaci\u00f3n sigue fielmente el art\u00edculo original de 1989. Cuando Elekta adquiri\u00f3 Nucletron e integr\u00f3 Helax, el CCC del Oncentra se mantuvo como algoritmo de referencia.<\/p>\n El RayStation ofrece tanto CCC como Monte Carlo. El CCC del RayStation es una implementaci\u00f3n moderna que aprovecha paralelizaci\u00f3n en m\u00faltiples cores y optimizaciones algor\u00edtmicas para alcanzar tiempos de c\u00e1lculo de segundos en grids t\u00edpicos. Se utiliza frecuentemente como algoritmo de c\u00e1lculo r\u00e1pido durante la optimizaci\u00f3n inversa de IMRT\/VMAT, con verificaci\u00f3n final por Monte Carlo.<\/p>\n El XiO (originalmente CMS Focus) utiliz\u00f3 CCC como algoritmo principal durante muchos a\u00f1os. El Monaco, sucesor del XiO, migr\u00f3 a Monte Carlo basado en GPU como algoritmo primario, pero a\u00fan utiliza principios de convoluci\u00f3n\/superposici\u00f3n en m\u00f3dulos espec\u00edficos.<\/p>\n El ISOgray implementa CCC con una formulaci\u00f3n cercana a la original de Ahnesj\u00f6, siendo ampliamente utilizado en Europa, particularmente en Francia y los pa\u00edses franc\u00f3fonos.<\/p>\n La convoluci\u00f3n de kernels puntuales abarca todos los voxels del volumen del paciente, permitiendo modelar la oblicuidad de superficie. Sin embargo, la contaminaci\u00f3n electr\u00f3nica proveniente del cabezal y del aire no es capturada por los kernels. Esto se trata mediante una componente emp\u00edrica adicional, dependiente de SSD, tama\u00f1o de campo y distancia off-axis, que decrece exponencialmente desde la superficie hasta el alcance m\u00e1ximo de los electrones contaminantes. En la salida del paciente, como no hay contribuci\u00f3n de kernel del aire, existe una ligera sobreestimaci\u00f3n de la dosis \u2014 un efecto menor en la mayor\u00eda de los casos cl\u00ednicos.<\/p>\n La tabla siguiente compara los principales algoritmos de c\u00e1lculo de dosis para fotones disponibles en sistemas de planificaci\u00f3n comerciales. La inclusi\u00f3n del AAA (Analytical Anisotropic Algorithm) de Varian y del Acuros XB complementa la comparaci\u00f3n con algoritmos ampliamente utilizados en la pr\u00e1ctica cl\u00ednica.<\/p>\nEn Este Art\u00edculo<\/h2>\n
\n
Contexto Hist\u00f3rico: Por Qu\u00e9 el CCC Fue Necesario<\/h2>\n
Mackie 1988: Generaci\u00f3n de Kernels por Monte Carlo con EGS<\/h2>\n
![\"Generaci\u00f3n](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/kernel-deposicao-energia-monte-carlo.jpg\")
Geometr\u00eda de simulaci\u00f3n<\/h3>\n
\n
Kernels para diferentes \u00f3rdenes de scattering<\/h3>\n
\n
Integrales de normalizaci\u00f3n<\/h3>\n
![\"Representaci\u00f3n](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/kernels-energia-05MeV-50MeV-isolevels.jpg\")
Dependencia con la energ\u00eda<\/h3>\n
Representaci\u00f3n Anal\u00edtica y Kernels Polienerg\u00e9ticos<\/h2>\n
\n
Kernels polienerg\u00e9ticos para haces cl\u00ednicos<\/h3>\n
\n
Ahnesj\u00f6 1989: El M\u00e9todo Collapsed Cone Convolution<\/h2>\n
C\u00e1lculo de la TERMA por ray-tracing<\/h3>\n
La aproximaci\u00f3n de cono colapsado<\/h3>\n
![\"Representaci\u00f3n](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/direcoes-transporte-collapsed-cone-26.jpg\")
Conservaci\u00f3n de energ\u00eda en el CCC<\/h3>\n
Validaci\u00f3n original<\/h3>\n
\n
Divergencia del Haz e Inclinaci\u00f3n de los Kernels<\/h2>\n
Scaling por Densidad y Heterogeneidades Tisulares<\/h2>\n
![\"Comparaci\u00f3n](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/kernel-densidade-escalado-vs-monte-carlo.jpg\")
\n
Cho 2012: Implementaci\u00f3n Pr\u00e1ctica con Modelo de Tres Fuentes<\/h2>\n
Modelo de fluencia con tres fuentes<\/h3>\n
\n
C\u00e1lculo de la TERMA con efectos f\u00edsicos<\/h3>\n
\n
Convoluci\u00f3n con l\u00edneas de cono colapsado<\/h3>\n
Validaci\u00f3n contra dosimetr\u00eda de pel\u00edcula<\/h3>\n
\n
Implementaciones Comerciales en TPS<\/h2>\n
Philips Pinnacle\u00b3<\/h3>\n
Elekta Oncentra (ex-Helax-TMS)<\/h3>\n
RayStation (RaySearch Laboratories)<\/h3>\n
XiO y Monaco (Elekta)<\/h3>\n
ISOgray (DOSIsoft)<\/h3>\n
![\"Comparaci\u00f3n](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/comparacao-monte-carlo-ccc-mgs-pulmao.jpg\")
Contaminaci\u00f3n electr\u00f3nica y dosis de salida<\/h3>\n
Tabla Comparativa: CCC vs Pencil Beam vs AAA vs Monte Carlo<\/h2>\n