MétaCan
Menu
← Retour à la cohorte
Enregistrement W2077433412 · doi:10.1118/1.2030986

Po‐Poster ‐ 07: Commissioning of virtual linacs for Monte Carlo simulations by optimizing photon source characteristics

2005· article· en· W2077433412 sur OpenAlexaff
K Bush, Tony Popescu

Notice bibliographique

RevueMedical Physics · 2005
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Radiotherapy Techniques
Établissements canadiensBC Cancer Agency
Organismes subventionnairesnon disponible
Mots-clésLinear particle acceleratorMonte Carlo methodImaging phantomPhase spaceQuality assuranceRange (aeronautics)Computer scienceMonitor unitShieldsPhysicsOpticsElectromagnetic shieldingMathematicsNuclear medicineEngineeringBeam (structure)Aerospace engineeringStatistics

Résumé

récupéré en direct d'OpenAlex

In conjunction with rapidly expanding clinical Monte Carlo (MC) implementation, MC users are faced with the difficult and time consuming commissioning process of their virtual linac. After accurately configuring the treatment head according to manufacturer specifications, a rigorous and extensive benchmarking process is required to ensure that the MC virtual linac produces beams of essentially the same quality as those of the real treatment unit being modeled. Often, even after systematically varying the input parameters over a suitably chosen range, it is found that the shape of the measured profiles cannot be exactly matched. This limitation is attributed to the lack of accurate knowledge of the geometry and materials of some linac components, especially, the flattening filter. We have developed an automatic optimization method that allows a user with an arbitrary linear accelerator to commission a MC dose calculation engine that accurately reproduces the measured output of the accelerator in water. Using a simulated annealing optimization algorithm our method converges MC dose distributions to experimental measurements by optimizing the weights of particles in a phase space. To achieve this, a phase space is divided up using LATCH variable assignment, each beamlet is transported into a water tank phantom, and the dose deposition is scored separately. Individual beamlet weights are then optimized such that the weighted sum of beamlet dose depositions converge toward our target dose distribution. The resulting beamlet weights are then assigned to all particles in the original phase space where they are incorporated into all future simulations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,288
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Physics→Même sujetAdvanced Radiotherapy Techniques→Travaux en français237 207→