Modulation factors calculated with an EPID‐derived MLC fluence model to streamline IMRT/VMAT second checks
Notice bibliographique
Résumé
This work outlines the development of a robust method of calculating modulation factors used for the independent verification of MUs for IMRT and VMAT treatments, to replace onerous ion chamber measurements. Two-dimensional fluence maps were calculated for dynamic MLC fields that include MLC interleaf leakage, transmission, and tongue-and-groove effects, as characterized from EPID-acquired images. Monte Carlo-generated dose kernels were then used to calculate doses for a modulated field and that field with the modulation removed at a depth specific to the calculation point in the patient using in-house written software, Mod_Calc. The ratio of these two doses was taken to calculate modulation factors. Comparison between Mod_Calc calculation and ion chamber measurement of modulation factors for 121 IMRT fields yielded excellent agreement, where the mean difference between the two was -0.3% ± 1.2%. This validated use of Mod_Calc clinically. Analysis of 5,271 dynamic fields from clinical use of Mod_Calc gave a mean difference of 0.3% ± 1.0% between Mod_Calc and Eclipse-generated factors. In addition, 99.3% and 96.5% fields pass 5% and 2% criteria, respectively, for agreement between these two predictions. The development and use of Mod_Calc at our clinic has considerably streamlined our QA process for IMRT and RapidArc fields, compared to our previous method based on ion chamber measurements. As a result, it has made it feasible to maintain our established and trusted current in-house method of MU verification, without resorting to commercial software alternatives.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».