An energy fluence‐convolution model for amorphous silicon EPID dose prediction
Notice bibliographique
Résumé
In this work, an amorphous silicon electronic portal imaging device (a-Si EPID) dose prediction model based on the energy fluence model of the Pinnacle treatment planning system Version 7 (Philips Medical Systems, Madison, WI) is developed. An energy fluence matrix at very high resolution (< 1 mm) is used to incorporate multileaf collimator (MLC) leaf effects in the predicted EPID images. The primary dose deposited in the EPID is calculated from the energy fluence using experimentally derived radially dependent EPID interaction coefficients. Separate coefficients are used for the open beam energy fluence component and the component of the energy fluence transmitted through closed MLC leaves to each EPID pixel. A spatially invariant EPID dose deposition kernel that describes both radiative dose deposition, central axis EPID backscatter, and optical glare is convolved with the primary dose. The kernel is further optimized to give accurate EPID penumbra prediction and EPID scatter factor with changing MLC field size. An EPID calibration method was developed to reduce the effect of nonuniform backscatter from the support arm (E-arm) in a calibrated EPID image. This method removes the backscatter component from the pixel sensitivity (flood field) correction matrix retaining only field-specific backscatter in the images. The model was compared to EPID images for jaw and MLC defined open fields and eight head and neck intensity modulated radiotherapy (IMRT) fields. For the head and neck IMRT fields with 2%, 2 mm criteria 97.6 +/- 0.6% (mean +/- 1 standard deviation) of points passed with a gamma index less than 1, and for 3%, 3 mm 99.4 +/- 0.4% of points were within the criteria. For these fields, the 2%, 2 mm pass score reduced to 96.0 +/- 1.5% when backscatter was present in the pixel sensitivity correction matrix. The model incorporates the effect of MLC leaf transmission, EPID response to open and MLC leakage dose components, and accurately predicts EPID images of IMRT fields. Removing the backscatter component of the pixel sensitivity matrix correction reduces the effect of nonuniform E-arm backscatter.
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 ».