Fast personalized CT dose calculations with GPUMCD
Notice bibliographique
Résumé
PURPOSE: The continuous increase of population dose due to ever-rising Computed Tomography (CT) examinations has called for more personalized dose estimations in medical imaging - a far from trivial task. This study aims to demonstrate a GPU-enabled pipeline combining automatic segmentation with GPU Monte Carlo Dose (GPUMCD) simulations to provide patient-specific dose-to-organ CT dosimetry reports using existing patient CT images. METHODS: A dynamic representation of the CT imaging process was reproduced within GPUMCD using information in DICOM headers, complemented by in-house exposure measurements, and validated in homogeneous and anthropomorphic phantoms. A dose pipeline was implemented using GPUMCD and a pre-trained open-source nnU-net model (TotalSegmentator). Dose-to-organ dosimetry was obtained for images from a lung cancer screening program and stored in DICOM-compliant Structured Reports. RESULTS: GPUMCD calculated dose values were within 5.5% of measurements for all phantoms and investigated conditions. Utilizing one A100-SXM4-40GB GPU, the average pipeline runtime was 6 min and 06 s per CT study. The GPU-driven simulation and segmentation operation took 46% (2 min and 7 s) of the total runtime, and data processing (file reading, conversion, and writing) occupied the remaining 54%. CONCLUSION: This work demonstrates the ability to generate patient-specific three-dimensional dose distributions in CT within a few seconds and the subsequent feasibility of performing fully automated mass personalized dose-to-organ calculations. The pipeline ingests and produces DICOM-compliant data compatible with clinical and research environments, enabling routine imaging dosimetry and large-scale retroactive dosimetry 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 ».