Monte Carlo treatment planning with modulated electron radiotherapy: framework development and application
Notice bibliographique
Résumé
La technique Monte Carlo de transport de particules est considéré la méthode la plus précise pour calculer la distribution de dose dans les patients. La plate-forme de planification de traitement Monte Carlo de McGill (MMCTP) offre un environnement de logiciels flexibles pour intégrer des simulations Monte Carlo avec les modalités de traitement actuelles et nouvelles. Une nouvelle modalité de traitement surnommée MERT devrait améliorer la dosimétrie sur des cibles superficielles. Un des objectifs de ce travail est d'avancer la recherche et le développement de MERT à des fins d'usage clinique. Ainsi, nous présentons la plateforme MMCTP avec une boite à outils intégrée pour la planification et l'administration de plans MERT. Ces plans sont administrés à l'aide d'un collimateur automatisé surnommé FLEC et d'un contrôleur. En plus des outils de planification MERT, la plateforme MMCTP a nécessité plusieurs ajouts pour effectuer les taches complexes impliquées dans l'automatisation des simulations Monte Carlo à large échelle. La première addition était un filtre d'importation DICOM, suivie par l'implémentation de DOSXYZnrc comme outil de calcul de dose puis l'implémentation des méthodes logiques pour soumettre et mettre à jour le statut des simulations Monte Carlo. Dans ce travail, nous avons validé la plateforme MMCTP en recalculant avec le code Monte Carlo un plan tête et cou réalisé initialement par un dosimétriste médical. L'impact de MMCTP réside dans le fait qu'il permet des calculs de dose Monte Carlo à grande échelle avec une plateforme indépendante et systématique pour différents sites et différentes modalités de traitement. En plus des outils de plannification MERT, différents algorithmes d'optimisation ont été créés indépendamment de MMCTP. Ces algorithmes produisent des plans de traitement MERT basés sur des contraintes dose volume en utilisant des kernels pré-générés Monte Carlo de patient spécifiques. Les kernels Monte Carlo sont généerés à partir des distributions de dose Monte Carlo de patient spécifique dans MMCTP. La structure des algorithmes d'optimisation et du logiciel de la boite d'outils de planification sont démontrées. Nous avons également étudié l'impact clinique de MERT sur les irradiations de la colonne, les irradiations accélérées de sein, les irradiations de la tête et des sarcomes du cou en utilisant plusieurs paramètres pour analyser les plans de traitement. Finalement, nous avons cherché à combiner des plans de traitement photons avec d'autres d'électrons. Les outils d'optimisation du plan de traitement en photon ont été inclus dans la boite à outils de planification de MERT dans le but d'optimiser la combinaison des faisceaux. En conclusion, le travail de cette thèse a permis de développer une plateforme avancée pour les études de planification de traitement Monte Carlo en photons et en électrons. Il a également permis de développer un système de planification inverse pour photon, électron ou la radiothérapie de faisceaux combinés (MBRT pour "Mixed Beam RadioTherapy"). La justification et la validation de ce travail sont déemontrées à travers les résultats des études de planification, qui ont déterminées les avantages dosimétriques d'utiliser MERT ou MBRT par rapport aux alternatives cliniques de traitement.
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 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».