A Monte Carlo dose recalculation pipeline for durable datasets: an I-125 LDR prostate brachytherapy use case
Notice bibliographique
Résumé
Monte Carlo (MC) dose datasets are valuable for large-scale dosimetric studies. This work aims to build and validate a DICOM-compliant automated MC dose recalculation pipeline with an application to the production of I-125 low dose-rate prostate brachytherapy MC datasets. Built as a self-contained application, the recalculation pipeline ingested clinical DICOM-RT studies, reproduced the treatment into the Monte Carlo simulation, and outputted a traceable and durable dose distribution in the DICOM dose format. MC simulations with TG43-equivalent conditions using both TOPAS andegs_brachyMC codes were compared to TG43 calculations to validate the pipeline. The consistency of the pipeline when generating TG186 simulations was measured by comparing simulations made with both MC codes. Finally,egs_brachysimulations were run on a 240-patient cohort to simulate a large-scale application of the pipeline. Compared to line source TG43 calculations, simulations with both MC codes had more than 90% of voxels with a global difference under ±1%. Differences of 2.1% and less were seen in dosimetric indices when comparing TG186 simulations from both MC codes. The large-scale comparison ofegs_brachysimulations with treatment planning system dose calculation seen the same dose overestimation of TG43 calculations showed in previous studies. The MC dose recalculation pipeline built and validated against TG43 calculations in this work efficiently produced durable MC dose datasets. Since the dataset could reproduce previous dosimetric studies within 15 h at a rate of 20 cases per 25 min, the pipeline is a promising tool for future large-scale dosimetric studies.
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 ».