MétaCan
Menu
Retour à la cohorte
Enregistrement W7029965705

Modélisation Monte Carlo du CyberKnife M6 et ses applications à la dosimétrie de petits champs de radiothérapie

2022· dissertation· fr· W7029965705 sur OpenAlexaboutno aff

Notice bibliographique

RevuePapyrus : Institutional Repository (Université de Montréal) · 2022
Typedissertation
Languefr
DomaineArts and Humanities
ThématiqueLibraries and Information Services
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMonte Carlo methodCyberknifeHomogeneousStatistical analysis
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

L’appareil de radiochirurgie CyberKnife performe des traitements avancés de radiothérapie qui offrent des avantages nets pour certains types de cancer. Or, cet appareil produit uniquement des petits faisceaux circulaires ce qui complexifie les procédures de dosimétrie en milieu clinique. En effet, en conditions de petits champs, les diverses perturbations au niveau du détecteur peuvent être très grandes. Ainsi, l’utilisation de la méthode Monte Carlo est nécessaire lors de l’étalonnage et la caractérisation de faisceaux. Ces processus, lors desquels des valeurs de dose de référence et relative sont mesurées et entrées dans les systèmes de planification de traitement, assurent l’efficacité des traitements ainsi que la sécurité des patients. Cette thèse porte sur la modélisation Monte Carlo du CyberKnife M6 et étudie diverses applications à la dosimétrie de petits champs de radiothérapie. En premier lieu, une nouvelle méthode permettant la correction de la dépendance au débit de dose des diodes au silicium est proposée. Cette dernière est validée puis appliquée à des mesures relatives effectuées au CyberKnife du Centre hospitalier de l’Université de Montréal (CHUM). Les résultats illustrent la correction de l’erreur systématique induite dans les mesures due à la dépendance au débit de dose de la diode considérée. La méthode proposée fournit alors une solution efficace à cette problématique. En second lieu, une méthode pour l’optimisation des paramètres sources requis en entrée lors de la modélisation Monte Carlo de faisceaux de radiothérapie est introduite. Cette dernière est basée sur une approche probabiliste portant sur la comparaison de mesures et de simulations pour divers détecteurs, et permet la détermination de l’énergie du faisceau d’électrons incident sur la cible d’un appareil, ainsi que de la largeur à mi-hauteur de sa distribution radiale. La méthode proposée, qui est appliquée au CyberKnife du CHUM, fournit une nouvelle approche permettant l’optimisation d’un modèle Monte Carlo d'un faisceau ainsi que l’estimation des incertitudes sur ses paramètres sources. En troisième lieu, le modèle de faisceau du CyberKnife développé est utilisé afin d’estimer l’impact des incertitudes des paramètres sources sur diverses fonctions dosimétriques couramment utilisées en milieu clinique, ainsi que sur des distributions de dose obtenues par simulation de plans de traitement. Les résultats illustrent l’augmentation de l’impact des incertitudes du modèle de faisceau avec la réduction de la taille de champ, et fournissent une nouvelle perspective sur la précision de calcul atteignable pour ce type de calcul de dose Monte Carlo en petits champs. En quatrième lieu, les protocoles de dosimétrie TG-51 (version adaptée du manufacturier) et TRS-483 sont respectivement appliqués et comparés pour l’étalonnage du CyberKnife M6 se trouvant au CHUM. Il est observé que le TRS-483 est cohérent avec le TG-51. Des facteurs de correction de la qualité et corrigeant pour les effets de moyenne sur le volume propres au CyberKnife du CHUM sont estimés par simulations Monte Carlo pour une chambre à ionisation Exradin A12. Les résultats illustrent que la valeur générique fournie dans le TRS-483 pourrait être surestimée en comparaison à notre modèle de CyberKnife et que cette surestimation pourrait être due à la composante de moyenne sur le volume.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,172
Écart entre enseignants0,166 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePapyrus : Institutional Repository (Université de Montréal)Même sujetLibraries and Information ServicesTravaux en français237 207