Performance of a hybrid MC dose algorithm for IMRT optimization dose evaluation
Notice bibliographique
Résumé
This paper presents a hybrid intensity modulated radiation therapy (IMRT) optimization strategy which combines the speed of pencil beam (PB) and the accuracy of Monte Carlo (MC) dose calculations. After an initial deliverable-based optimization using a PB algorithm, doses are recomputed using the VMC++ MC code to determine dose correction factors, which are then utilized during further PB-based optimization. The hybrid method is benchmarked with respect to full MC deliverable-based optimization for ten prostate and ten head-and-neck IMRT plans. Final optimized plans are compared in terms of dose-volume indices used for the plan optimization. Dose prediction errors (DPEs) and optimization convergence errors (OCEs) at intermediate steps of the hybrid sequence are evaluated. The hybrid method is found to produce optimized plans that are clinically equivalent to full MC-based optimization, yet requires only 40% of the number of MC dose calculations. With the hybrid strategy presented here, MC-based optimization results are achieved in 35 min or less on a modest computing cluster. While the initial PB-deliverable-based optimization is found to have DPEs and OCEs of up to 3 Gy relative to the 65-73 Gy prescription doses, application of the first MC correction reduces the average DPEs to less than 0.3 Gy for the prostate plans and less than 0.06 Gy for the head and neck plans. The maximum observed DPE or OCE is 0.7 Gy after 1 MC dose correction, indicating that a single MC dose calculation correction might be sufficient for IMRT 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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».