A fluence-convolution method to calculate radiation therapy dose distributions that incorporate random set-up error
Notice bibliographique
Résumé
The International Commission on Radiation Units and Measurements Report 62 (ICRU 1999) introduced the concept of expanding the clinical target volume (CTV) to form the planning target volume by a two-step process. The first step is adding a clinically definable internal margin, which produces an internal target volume that accounts for the size, shape and position of the CTV in relation to anatomical reference points. The second is the use of a set-up margin (SM) that incorporates the uncertainties of patient beam positioning, i.e. systematic and random set-up errors. We propose to replace the random set-up error component of the SM by explicitly incorporating the random set-up error into the dose-calculation model by convolving the incident photon beam fluence with a Gaussian set-up error kernel. This fluence-convolution method was implemented into a Monte Carlo (MC) based treatment-planning system. Also implemented for comparison purposes was a dose-matrix-convolution algorithm similar to that described by Leong (1987 Phys. Med. Biol. 32 327-34). Fluence and dose-matrix-convolution agree in homogeneous media. However, for the heterogeneous phantom calculations, discrepancies of up to 5% in the dose profiles were observed with a 0.4 cm set-up error value. Fluence-convolution mimics reality more closely, as dose perturbations at interfaces are correctly predicted (Wang et al 1999 Med. Phys. 26 2626-34, Sauer 1995 Med. Phys. 22 1685-90). Fluence-convolution effectively decouples the treatment beams from the patient. and more closely resembles the reality of particle fluence distributions for many individual beam-patient set-ups. However, dose-matrix-convolution reduces the random statistical noise in MC calculations. Fluence-convolution can easily be applied to convolution/superposition based dose-calculation algorithms.
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 ».