Simulasi Pengaruh Kedalaman Tumor terhadap Distribusi Dosis Radiasi Menggunakan Model Atenuasi Eksponensial Berbasis Python
DOI:
https://doi.org/10.59632/magnetic.v6i2.870Keywords:
Radioterapi; Distribusi dosis radiasi; Kedalaman tumor ; Python; Atenuasi eksponensialAbstract
Distribusi dosis radiasi merupakan faktor penting dalam perencanaan radioterapi karena menentukan keberhasilan penyampaian dosis terapeutik pada jaringan tumor sekaligus meminimalkan paparan terhadap jaringan sehat di sekitarnya. Salah satu faktor yang memengaruhi distribusi dosis adalah kedalaman tumor, yang berkaitan dengan proses atenuasi radiasi di dalam jaringan biologis. Penelitian ini bertujuan menganalisis pengaruh variasi kedalaman tumor terhadap distribusi dosis radiasi menggunakan simulasi numerik berbasis Python. Simulasi dilakukan dengan menerapkan model atenuasi eksponensial untuk merepresentasikan penurunan dosis terhadap kedalaman jaringan serta fungsi Gaussian untuk menggambarkan puncak distribusi dosis pada lokasi tumor. Variasi kedalaman tumor yang dianalisis meliputi 1 cm, 3 cm, 5 cm, dan 10 cm pada rentang kedalaman jaringan 0–15 cm dengan koefisien atenuasi sebesar 0,15 cm?¹. Hasil simulasi menunjukkan bahwa peningkatan kedalaman tumor menyebabkan puncak distribusi dosis bergeser ke arah jaringan yang lebih dalam disertai penurunan intensitas dosis akibat proses atenuasi. Dosis relatif maksimum menurun dari 1,66 pada kedalaman tumor 1 cm menjadi 1,02 pada kedalaman 10 cm, atau mengalami penurunan sebesar 38,55% dibandingkan kondisi acuan. Visualisasi distribusi dosis yang dihasilkan mampu menggambarkan hubungan antara kedalaman tumor dan karakteristik penyebaran dosis radiasi secara jelas. Penelitian ini menunjukkan bahwa model simulasi berbasis Python mampu merepresentasikan pengaruh kedalaman tumor terhadap distribusi dosis radiasi dan berpotensi dimanfaatkan sebagai media pembelajaran serta pendekatan awal dalam analisis dosimetri sebelum penerapan metode komputasi yang lebih kompleks.
Downloads
References
[1] A. D. Ramadiah et al., “Perbandingan Daya Tangkap Dosis Radiasi Beberapa Dosimeter Aktif Perorangan,” J. Fis. Unand, vol. 13, no. 3, pp. 351–357, 2024, doi: https://doi.org/10.25077/jfu.13.3.351-357.2024.
[2] W. Nurhidayat, D. Andriani, L. T. Yuhedi, and W. Diyana, “Profile of Cervical Cancer Management with Radiation and Chemoradiation Therapy at The Radiotherapy Installation of RSUP Dr. Mohammad Hoesin Palembang,” Radioter. Onkol. Indones., vol. 15, no. 1, 2024, doi: 10.32532/jori.v15i1.165.
[3] H. P. Sri Wulandari, Syarifatul Ulya, Fiqi Diyona, Rico Adrial, “THE COMPARISON OF SURFACE DOSE IN VIVO DOSIMETRY USING 3D-CRT AND IMRT,” J. Profesi Med. J. Kedokt. dan Kesehat., vol. 18, no. 1, pp. 90–99, 2024, doi: https://doi.org/10.33533/jpm.v18i1.7771.
[4] F. A. Rorong, I. M. L. Prasetya, and I. W. Juliasa, “Terapi Radiasi Eksternal dengan Metode Hypofractionated pada Kanker payudara Post Breast Conserving Surgery di Instalasi Onkologi Radiasi Rumah Sakit Indriati Solo Baru: Studi Kasus,” J. Imejing Diagnostik, vol. 11, no. 1, pp. 11–17, 2025, doi: 10.31983/jimed.v1i1.11878.
[5] T. Pakarinen and J. Ojala, “Computer Methods and Programs in Biomedicine Profeel — An open source dosimetry data visualization and analysis software,” Comput. Methods Programs Biomed., vol. 212, p. 106457, 2021, doi: 10.1016/j.cmpb.2021.106457.
[6] M. Chen, Z. Yang, Z. Wardak, S. Stojadinovic, X. Gu, and W. Lu, “Dose kernel decomposition for spot-based radiotherapy treatment planning,” Med. Phys., vol. 49, no. 2, pp. 1196–1208, 2022, doi: 10.1002/mp.15415.Dose.
[7] P. Kummanee, W. Chancharoen, K. Tangtisanon, and T. Fuangrod, “Predicting Three-Dimensional Dose Distribution of Prostate Volumetric Modulated Arc Therapy Using Deep Learning,” life, vol. 13, no. 05, pp. 1–15, 2021, doi: 10.3390/life11121305.
[8] N. Benzazon, J. Colnot, D. Kermenguy, S. Achkar, and F. De Vathaire, “Analytical models for external photon beam radiotherapy out-of- fi eld dose calculation : a scoping review,” Front. Oncol., vol. 13, no. May, pp. 1–13, 2023, doi: 10.3389/fonc.2023.1197079.
[9] C. R. Harris et al., “Array programming with NumPy,” Nature, vol. 585, no. September, pp. 357–362, 2020, doi: 10.1038/s41586-020-2649-2.
[10] P. Virtanen et al., “SciPy 1.0: fundamental algorithms for scientific computing in Python,” Nat. Res., vol. 17, no. March, pp. 261–272, 2020, doi: 10.1038/s41592-019-0686-2.
[11] M. I. Anggi Effina, Dian Milvita, “DISTRIBUSI DOSIS RADIASI FOTON PADA TREATMENT PLANNING SYSTEM MENGGUNAKAN TEKNIK 3DCRT DAN IMRT UNTUK TERAPI KANKER SERVIKS,” J. Fis. Unand, vol. 11, no. 1, pp. 126–130, 2022, doi: https://doi.org/10.25077/jfu.11.1.126-130.2022.
[12] M. I. S et al., “Analisis Perencanaan Radioterapi Menggunakan Teknik Intensity Modulated Radiotherapy ( IMRT ) pada Pasien Kanker Serviks,” J. Fis. Unand, vol. 12, no. 1, pp. 165–171, 2023, doi: https://doi.org/10.25077/jfu.12.1.165-171.2023.
[13] R. Elvira et al., “Analisis Perencanaan Radioterapi Pasien Kanker Nasofaring Menggunakan Teknik Intensity Modulated Radiotherapy,” J. Fis. Unand, vol. 10, no. 3, pp. 337–343, 2021, doi: https://doi.org/10.25077/jfu.10.3.337-343.2021.
[14] I. Wulandari, M. A. Shafii, R. Adrial, and F. Diyona, “Distribusi Dosis Radiasi Foton Berdasarkan Kedalaman dan Luas Lapangan Penyinaran Pada Fantom Menggunakan Pesawat Linac Tipe Clinac CX,” J. Fis. Unand, vol. 11, no. 1, pp. 89–96, 2022, doi: https://doi.org/10.25077/jfu.11.1.89-96.2022.
[15] D. Syafna et al., “Perbandingan Dosimetri Perencanaan Radioterapi IMRT Menggunakan Fasilitas Beam Angle Optimization dan Teknik Manual Pada Kasus Kanker Nasofaring Stadium III,” J. Fis. Unand, vol. 13, no. 1, pp. 170–176, 2024, doi: https://doi.org/10.25077/jfu.13.1.170-176.2024.
[16] T. C. Zhu et al., “Report of AAPM Task Group 219 on independent calculation- based dose / MU verification for IMRT,” Med. Phys., vol. 48, no. 10, pp. 1–22, 2021, doi: 10.1002/mp.15069.
