A convolution-superposition fluence model for the Siemens HD120 multi leaf collimator with application to a 3D VMAT dose engine
Notice bibliographique
Résumé
Abstract Purpose. To construct a fast-calculating fluence modelfor the Siemens HD120 multi leaf collimator (MLC) using convolution-superposition techniques, and to develop a 3D VMAT dose engine using this fluence model. This work offers analternative to time-consuming open-source Monte Carlo simulations for thosedeveloping in-house dose-calculating software for research or clinical needs.Methods. EPID-acquired images of sweeping-window and sweeping-checker field profiles were used to commission transmission, 2 Dinterleaf leakage, and tongue-and-groove maps specific to the HD120 MLC. These maps, along with a 2D head-scattermodel were incorporated into a convolution-superposition algorithm to provide a fluence model for the HD120 MLC. This fluence model was used to develop a 3D VMAT dose engine, where 3D pre-computed 6MV dose kernels (EGSnrc) and a 3D fluence curvature-correction map were incorporatedto calculate 3D VMAT doses in a 22 cm diameter cylindrical phantom. Four VMAT patient plans witha large range of PTV sizes (36 cc to 604 cc) were chosen to test the fluence model and dose engine. Results. Excellent agreement was observed between the simulated commissioning fields and measured EPID-responses. 2D 2%/2 mm gamma analysis yielded a 98.9% pass rate for 1 cm, 2 cm, and 4 cm sweeping-window fields. 2D 2%/2mm gamma analysis for outer/inner MLC leaves yielded 89.1%/77.0% and 95.2%/91.1% pass rates from 1 cm and 2 cm sweeping-checker fields. Mean 3%/3 mm gamma analysis showed excellent agreement between our dose engine and Eclipse (Acuros) regardless of PTV size: 98.7% pass rate, with 95.1% pass rate in the high-dose volume. Fluence calculation times were13.6 seconds per dynamic MLC field and 1.4 minutes/arc for 3D VMAT dose on a standard PC. Conclusions. A fast-calculating convolution-superposition fluence model has been commissioned for the Siemens HD120 MLC and incorporatedinto a 3D VMAT dose engine. This work can be used to facilitate the development of fast in-house dose-calculating software.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».