Monte Carlo Modeling of Dynamic Tumor Tracking on a Gimbaled Linear Accelerator
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
Purpose and Aim: The Vero4DRT (Brainlab AG) linear accelerator is capable of dynamic tumor tracking (DTT) by panning/tilting the radiation beam to follow respiratory-induced tumor motion in real time. In this study, the panning/tilting motion is modeled in Monte Carlo (MC) for quality assurance (QA) of four-dimensional (4D) dose distributions created within the treatment planning system (TPS). Materials and Methods: Step-and-shoot intensity-modulated radiation therapy plans were optimized for 10 previously treated liver patients. These plans were recalculated on multiple phases of a 4D computed tomography (4DCT) scan using MC while modeling panning/tilting. The dose distributions on each phase were accumulated to create a respiratory-weighted 4D dose distribution. Differences between the TPS and MC modeled doses were examined. Results: On average, 4D dose calculations in MC showed the maximum dose of an organ at risk (OAR) to be 10% greater than the TPS' three-dimensional dose calculation (collapsed cone [CC] convolution algorithm) predicted. MC's 4D dose calculations showed that 6 out of 24 OARs could exceed their specified dose limits, and calculated their maximum dose to be 4% higher on average (up to 13%) than the TPS' 4D dose calculations. Dose differences between MC and the TPS were greatest in the beam penumbra region. Conclusion: Modeling panning/tilting for DTT has been successfully modeled with MC and is a useful tool to QA respiratory-correlated 4D dose distributions. The dose differences between the TPS and MC calculations highlight the importance of using 4D MC to confirm the safety of OAR doses before DTT treatments.
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 | 0,001 |
| 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 découle