Unsupervised classification of tissues composition for Monte Carlo dose calculation
Notice bibliographique
Résumé
The purpose of this study is to investigate the potential of k-means clustering to efficiently reduce the variety of materials needed in Monte Carlo (MC) dose calculation. A numerical phantom with 31 human tissues surrounded by water is created. K-means clustering is used to group the tissues in clusters of constant elemental composition. Four different distance measures are used to perform the clustering technique: Euclidean, Standardized Euclidean, Chi-Squared and Cityblock. Dose distributions are calculated with MC simulations for both low-kV photons and MeV protons using the clustered and reference elemental composition. Comparison between the dose distributions in the clustered and non-clustered phantom are made to assess the impact of clustering with each distance measure. The statistical significance of the differences observed between the four different metrics is determined by comparing the accuracy of energy absorption coefficients (EAC) of low-kV photons and proton stopping powers relative to water (SPR) for repeated clustering procedures. The performance of the proposed approach for a larger number of original materials is evaluated similarly by using a population of 62 000 statistically generated materials grouped into classes defined with supervised and unsupervised classification. In the phantom geometry, the Chi-Squared distance is the one introducing the smallest error on dose distribution and significant differences are observed between the EAC and SPR values predicted by each distance metric. The proposed approach is also shown to be equivalent to a state-of-the-art supervised classification method for proton therapy, but beneficial for low-kV photons applications. In conclusion, k-means clustering successfully reduces the variety of materials needed for accurate MC dose calculation. Based on the performance of four distance measures, we conclude that k-means clustering using the Chi-Squared distance introduces the smallest errors on dose distribution. The method is shown to yield similar or improved accuracy on key physical parameters compared to supervised classification.
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 ».