Further investigation of 3D dose verification in proton therapy utilizing acoustic signal, wavelet decomposition and machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Online dose verification in proton therapy is a critical task for quality assurance. We further studied the feasibility of using a wavelet-based machine learning framework to accomplishing that goal in three dimensions, built upon our previous work in 1D. The wavelet decomposition was utilized to extract features of acoustic signals and a bidirectional long-short-term memory (Bi-LSTM) recurrent neural network (RNN) was used. The 3D dose distributions of mono-energetic proton beams (multiple beam energies) inside a 3D CT phantom, were generated using Monte-Carlo simulation. The 3D propagation of acoustic signal was modeled using the k-Wave toolbox. Three different beamlets (i.e. acoustic pathways) were tested, one with its own model. The performance was quantitatively evaluated in terms of mean relative error (MRE) of dose distribution and positioning error of Bragg peak (ΔBP), for two signal-to-noise ratios (SNRs). Due to the lack of experimental data for the time being, two SNR conditions were modeled (SNR = 1 and 5). The model is found to yield good accuracy and noise immunity for all three beamlets. The results exhibit an MRE below 0.6% (without noise) and 1.2% (SNR = 5), andΔBPbelow 1.2 mm (without noise) and 1.3 mm (SNR = 5). For the worst-case scenario (SNR = 1), the MRE andΔBPare below 2.3% and 1.9 mm, respectively. It is encouraging to find out that our model is able to identify the correlation between acoustic waveforms and dose distributions in 3D heterogeneous tissues, as in the 1D case. The work lays a good foundation for us to advance the study and fully validate the feasibility with experimental results.
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.
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 découle