Efficiency improvements of x‐ray simulations in EGSnrc user‐codes using bremsstrahlung cross‐section enhancement (BCSE)
Notice bibliographique
Résumé
This paper presents the implementation of the bremsstrahlung cross-section enhancement (BCSE) variance-reduction technique into the EGSnrc/BEAMnrc system. BCSE makes the simulation of x-ray production from bremsstrahlung targets more efficient; it does so by artificially making the rare event of bremsstrahlung emission more abundant, which increases the number of statistically-independent photons that contribute to reducing the variance of the quantity of interest without increasing the CPU time appreciably. BCSE does not perturb the charged-particle transport in EGSnrc and it is made compatible with all other variance-reduction techniques already used in EGSnrc and BEAMnrc, including range rejection, uniform bremsstrahlung splitting, and directional bremsstrahlung splitting. When optimally combining BCSE with splitting to simulate typical situations of interest in medical physics research and in clinical practice, efficiencies can be up to five orders of magnitude larger than those obtained with analog simulations, and up to a full order of magnitude larger than those obtained with optimized splitting alone (which is the state-of-the-art of the EGSnrc/BEAMnrc system before this study was carried out). This study recommends that BCSE be combined with the existing splitting techniques for all EGSnrc/BEAMnrc simulations that involve bremsstrahlung targets, both in the kilovoltage and megavoltage range. Optimum crosssection enhancement factors for typical situations in diagnostic x-ray imaging and in radiotherapy are recommended, along with an easy algorithm for simulation optimization.
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) | 0,000 | 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 ».