Fast dose calculation in magnetic fields with<tt>GPUMCD</tt>
Notice bibliographique
Résumé
A new hybrid imaging-treatment modality, the MRI-Linac, involves the irradiation of the patient in the presence of a strong magnetic field. This field acts on the charged particles, responsible for depositing dose, through the Lorentz force. These conditions require a dose calculation engine capable of taking into consideration the effect of the magnetic field on the dose distribution during the planning stage. Also in the case of a change in anatomy at the time of treatment, a fast online replanning tool is desirable. It is improbable that analytical solutions such as pencil beam calculations can be efficiently adapted for dose calculations within a magnetic field. Monte Carlo simulations have therefore been used for the computations but the calculation speed is generally too slow to allow online replanning. In this work, GPUMCD, a fast graphics processing unit (GPU)-based Monte Carlo dose calculation platform, was benchmarked with a new feature that allows dose calculations within a magnetic field. As a proof of concept, this new feature is validated against experimental measurements. GPUMCD was found to accurately reproduce experimental dose distributions according to a 2%-2 mm gamma analysis in two cases with large magnetic field-induced dose effects: a depth-dose phantom with an air cavity and a lateral-dose phantom surrounded by air. Furthermore, execution times of less than 15 s were achieved for one beam in a prostate case phantom for a 2% statistical uncertainty while less than 20 s were required for a seven-beam plan. These results indicate that GPUMCD is an interesting candidate, being fast and accurate, for dose calculations for the hybrid MRI-Linac modality.
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 ».