Poster — Thur Eve — 55: GRRCC‐Monte Carlo Treatment Planning Research Environment (MCTPRE)
Notice bibliographique
Résumé
The implementation of Monte Carlo dose calculation algorithms in clinical radiotherapy treatment planning systems has been anticipated for many years however, its introduction into routine clinical practice has been delayed by the extent of calculation time required. With the advent of faster computers, Monte Carlo (MC) algorithms will become a standard calculation algorithm in clinical treatment planning systems. The purpose of this work was to develop a Monte Carlo based radiotherapy treatment planning research environment (MCTPRE) that uses patient‐specific computed tomography (CT) dataset. We have developed a windows based graphical user interface (GUI) that makes it very easy to import patient specific plans from a treatment planning system in either DICOM or RTOG format to a MC treatment planning research environment and can also be used to simulate simple patient specific treatment plans. The MCTPRE uses the BEAMnrcMP Monte Carlo code, which is based on the underlying ESGnrcMP particle transport code to simulate the Varian Clinac 21EX accelerator treatment head for 6 and 15MV photons and 6–20 MeV electron beams. The DOSXYZnrc Monte Carlo code is use for patient specific phantom dose calculations. We compared dose distributions from calculations done with a TPS and with the Monte Carlo code. The GUI incorporating the Monte Carlo code is a very useful research tool for benchmarking treatment planning systems (TPS), testing technique development, and dose verification. Future development will include a direct interface to a TPS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,323 | 0,136 |
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 source (Gemma direct ou Codex distillé), 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 ».