A two-step algorithm for predicting portal dose images in arbitrary detectors
Notice bibliographique
Résumé
Recently, portal imaging systems have been successfully demonstrated in dosimetric treatment verification applications, where measured and predicted images are quantitatively compared. To advance this approach to dosimetric verification, a two-step model which predicts dose deposition in arbitrary portal image detectors is presented. The algorithm requires patient CT data, source-detector distance, and knowledge of the incident beam fluence. The first step predicts the fluence entering a portal imaging detector located behind the patient. Primary fluence is obtained through ray-tracing techniques, while scatter fluence prediction requires a library of Monte Carlo-generated scatter fluence kernels. These kernels allow prediction of basic radiation transport parameters characterizing the scattered photons, including fluence and mean energy. The second step of the algorithm involves a superposition of Monte Carlo-generated pencil beam kernels, describing dose deposition in a specific detector, with the predicted incident fluence. This process is performed separately for primary and scatter fluence, and yields a predicted dose image. A small but noticeable improvement in prediction is obtained by explicitly modeling the off-axis energy spectrum softening due to the flattening filter. The algorithm is tested on a slab phantom and a simple lung phantom (6 MV). Furthermore, an anthropomorphic phantom is utilized for a simulated lung treatment (6 MV), and simulated pelvis treatment (23 MV). Data were collected over a range of air gaps (10-80 cm). Detectors incorporating both low and high atomic number buildup are used to measure portal image profiles. Agreement between predicted and measured portal dose is better than 3% in areas of low dose gradient (<30%/cm) for all phantoms, air gaps, beam energies, and detector configurations tested here. It is concluded that this portal dose prediction algorithm is fast, accurate, allows separation of primary and scatter dose, and can model arbitrary detectors.
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) | 0,001 | 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 ».