Poster - Thurs Eve-26: Influence of MLC leaf edge and tongue and groove effect on IMRT dose distributions
Notice bibliographique
Résumé
An important consideration when using multileaf collimators (MLCs) for IMRT delivery is the correct account of leaf edge effects. To study these effects, two maps were constructed from a clinical beam's step and shoot delivery sequence: a time-weighted leaf edge position (LEP) map where the pixel intensity was proportional to the length of time that a leaf edge defined the edge of any segment within the field, and a (TG) map where pixel intensity was proportional to the length of time that adjacent segments matched along a leaf edge. We investigated the correlation between LEP or TG maps with dose error maps (obtained by subtracting calculated from either measured (CM) or from re-calculated (CC) data). Re-calculated data were obtained by modifying selected MLC photon modeling parameters from their commissioned values. We calculated the correlation coefficient between corresponding regions of CM and CC maps with TG and LEP maps. A NAT analysis of the CM maps indicated that the NAT index was minimized for tongue and groove width at the commissioned value of 0.1cm. A higher correlation coefficient was seen between CM and LEP maps (0.62±0.11) than between CM or CC and TG maps across all MLC modeling parameters used. The low correlation between both LEP or TG maps and CC maps suggests that the higher correlation observed between both LEP or TG maps and CM maps cannot be attributed to the choice of MLC modeling parameters alone. Further work is needed to pinpoint the cause of this correlation.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».