WE-E-BRB-09: A GPU-Based Monte Carlo QA Tool for IMRT and VMAT
Notice bibliographique
Résumé
PURPOSE: To develop a GPU-based Monte Carlo (MC) 3D dosimetry quality assurance (QA) tool employing patient geometry and actual delivery information. METHODS: First, we generate fluence maps at all beam angles from the initial treatment plan. A GPU-based MC dose engine, gDPM, is employed for the secondary dose calculation (SDC) on patient CT. This SDC is used to verify the TPS plan dose (PD) accuracy. Before the 1st treatment fraction, we deliver the treatment plan on a Linac without any phantom setup to obtain machine log files. With the log files, we extract actually delivered fluence maps at all beam angles and perform delivered dose calculation (DDC) using gDPM. The difference between DDC and SDC indicates possible errors in data transferring and machine delivery. Lastly, the comparison between DDC and PD shows the accumulative errors from all the possible sources. Moreover, a web application for this QA tool is developed for clinical use. We have tested this QA tool on 6 patients, 4 VMAT and 2 IMRT patients. We reported mean gamma values and passing rates inside the 20% isodose line; DVH plot and dose difference matrix are also documented. RESULTS: For all six patients, the gamma passing rates within the 20% isodose line for SDC, DDC and PD comparisons are all higher than 95%. In the DVH plot, the three dose distributions were found to be very close. A typical IMRT or VMAT case takes less than one minute to run the whole QA tool. CONCLUSIONS: We have developed a GPU-based MC QA tool which can be used for efficient and easy IMRT and VMAT QA.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,010 |
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 source (Gemma direct ou Codex distillé), 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 ».