TU‐E‐BRB‐04: Fast Monte Carlo Calculations in Magnetic Fields with GPUMCD for the MRI‐Linac
Notice bibliographique
Résumé
Purpose: To develop a fast Monte Carlo code dedicated to a new hybrid imaging‐treatment modality, the MRI‐Linac, involving the irradiation of a patient in the presence of a strong magnetic field (MF). These conditions require a dose calculation engine capable of coping with the effect of the MF on the dose distribution during the planning stage. It is not likely that analytical solutions such as pencil beams calculations can be efficiently adapted for dose calculations within a MF. Monte Carlo simulations seem more appropriate but are typically too slow for a routine clinical utilization, let alone an online image‐based replanning approach. Methods: GPUMCD, a fast GPU‐based Monte Carlo dose calculation platform, was adapted to handle dose calculations within a magnetic field. The code was benchmarked and validated through comparisons with experimental measurements in two cases where large magnetic field induce significant dose effects at air‐tissue interfaces. The validation also included a timing benchmark in a clinically representative prostate case to evaluate if online dose calculation is possible. Results: GPUMCD was found to produce accurate dose distributions, according to a 2%‐2mm gamma analysis, when compared to experimental measurements. Furthermore, execution times of less than 0.4 seconds were achieved for one beam in a prostate case phantom for a 2% statistical uncertainty while 0.8 seconds are required for a 7 beams plan having the same uncertainty. Conclusions: These results suggest that GPUMCD is an interesting candidate for dose calculations for a hybrid MRI‐Linac modality. Its accuracy has been validated against experimental measurements and its speed let envision online replanning based on changes in anatomy found at the time of treatment.
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 ».