WE‐G‐110‐06: Introduction to the AAPM Task Group No. 195 ‐ Monte Carlo Reference Data Sets for Imaging Research
Notice bibliographique
Résumé
Purpose: To develop reference data sets of common Monte Carlo simulations in medical imaging research for use by researchers who are learning how to implement Monte Carlo simulations or needing to validate their own Monte Carlo simulations. Methods: Complete implementation specifications and results for different Monte Carlo simulations reflecting common medical imaging research conditions were developed. The specifications include: full geometry details, material compositions, particle energies, spectral definitions and scoring details. The specifications for each of these simulations will be implemented in five different Monte Carlo software packages: EGSnrc, Geant4, MCNP, Penelope and Sierra. Results: A total of eight commonly performed Monte Carlo simulations for five different imaging applications were developed: (i) production of x‐rays, (ii) half‐value layer estimation, (iii) radiographic dosimetry, (iv) x‐ray scatter in radiography, (v) mammographic dosimetry, (vi) x‐ray scatter in mammography, (vii) CT dosimetry of simple volumes and (viii) CT dosimetry of voxelized volumes. The simulation conditions and the results for all five implementations will be published, in detail, in the Task Group report and will be made available online in the AAPM website. Once published, we will invite scientists to submit their results when simulating these conditions. Conclusion: The publication of reference data sets for common Monte Carlo simulations will be a useful tool for imaging researchers new to the field of computer simulations or seeking to validate their newly‐developed simulations before performing new experiments. Upon successful completion of this initial data set, we envision the extension of this work to include other modalities, such as nuclear medicine imaging.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».