Commissioning a fast Monte Carlo dose calculation algorithm for lung cancer treatment planning
Notice bibliographique
Résumé
A commercial Monte Carlo simulation package, NXEGS 1.12 (NumeriX LLC, New York, NY), was commissioned for photon-beam dose calculations. The same sets of measured data from 6-MV and 18-MV beams were used to commission NXEGS and Pinnacle 6.2b (Philips Medical Systems, Andover, MA). Accuracy and efficiency were compared against the collapsed cone convolution algorithm implemented in Pinnacle 6.2b, together with BEAM simulation (BEAMnrc 2001: National Research Council of Canada, Ottawa, ON). We investigated a number of options in NXEGS: the accuracy of fast Monte Carlo, the re-implementation of EGS4, post-processing technique (dose de-noising algorithm), and dose calculation time. Dose distributions were calculated with NXEGS, Pinnacle, and BEAM in water, lung-slab, and air-cylinder phantoms and in a lung patient plan. We compared the dose distributions calculated by NXEGS, Pinnacle, and BEAM. In a selected region of interest (7725 voxels) in the lung phantom, all but 1 voxel had a gamma (3% and 3 mm thresholds) of 1 or less for the dose difference between the NXEGS re-implementation of EGS4 and BEAM, and 99% of the voxels had a gamma of 1 or less for the dose difference between NXEGS fast Monte Carlo and BEAM. Fast Monte Carlo with post-processing was up to 100 times faster than the NXEGS re-implementation of EGS4, while maintaining +/- 2% statistical uncertainty. With air inhomogeneities larger than 1 cm, post-processing preserves the dose perturbations from the air cylinder. When 3 or more beams were used, fast Monte Carlo with post-processing was comparable to or faster than Pinnacle 6.2b collapsed cone convolution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».