Calculs Monte Carlo en transport d'énergie pour le calcul de la dose en radiothérapie sur plateforme graphique hautement parallèle
Bibliographic record
Abstract
REMERCIEMENTSÀ Philippe et Benoît, superviseurs et collaborateurs de longue date.À Bas, qui a su m'accueillir et me montrer le charme des Pays-Bas.À Hugo, pour les prouesses mathématiques et les discussions.À Marie-Pier, qui a enduré des soirées et des matins de fin de semaine de travail.À Christopher, qui a relu les articles de cette thèse et qui sait maintenant que Compton est fantastique.À mes parents qui m'ont permis de manger malgré tout. R ÉSUM ÉLe calcul de dose est au centre de la planification de traitement.Ce calcul de dose doit être 1) assez précis pour que le physicien médical et le radio-oncologue puissent prendre une décision basée sur des résultats près de la réalité et 2) assez rapide pour permettre une utilisation routinière du calcul de dose.Le compromis entre ces deux facteurs en opposition a donné lieu à la création de plusieurs algorithmes de calcul de dose, des plus approximatifs et rapides aux plus exacts et lents.Le plus exact de ces algorithmes est la méthode de Monte Carlo puisqu'il se base sur des principes physiques fondamentaux.Depuis 2007, une nouvelle plateforme de calcul gagne de la popularité dans la communauté du calcul scientifique : le processeur graphique (GPU).La plateforme existe depuis plus longtemps que 2007 et certains calculs scientifiques étaient déjà effectués sur le GPU.L'année 2007 marque par contre l'arrivée du langage de programmation CUDA qui permet de faire abstraction du contexte graphique pour programmer le GPU.Le GPU est une plateforme de calcul massivement parallèle et adaptée aux algorithmes avec données parallèles.Cette thèse vise à savoir comment maximiser l'utilisation d'une plateforme GPU en vue d'améliorer la vitesse d'exécution de la simulation de Monte Carlo en transport d'énergie pour le calcul de la dose en radiothérapie.Pour répondre à cette question, la plateforme GPUMCD a été développée.GPUMCD implémente une simulation de Monte Carlo couplée photon-électron et s'exécute complètement sur le GPU.Le premier objectif de cette thèse est d'évaluer cette méthode pour un calcul en radiothérapie externe.Des sources monoénergétiques simples et des fantômes en couches sont utilisés.Une comparaison aux plateforme EGSnrc et DPM est effectuée.GPUMCD reste à l'intérieur de critères gamma 2%-2mm de EGSnrc tout en étant au moins 1200× plus rapide qu'EGSnrc et 250× plus rapide que DPM.Le deuxième objectif consiste en l'évaluation de la plateforme pour un calcul en curiethérapie interne.Des sources complexes basées sur la géométrie et le spectre énergétique de sources réelles sont utilisées à l'intérieur d'une géométrie de type TG-43.Des différences de moins de 4% sont trouvées lors d'une comparaison à la plateforme BrachyDose ainsi qu'aux données v consensus du TG-43.Le troisième objectif vise l'utilisation de GPUMCD comme engin de calcul pour le MRI-Linac.Pour ce faire, la prise en considération de l'effet du champ magnétique sur les particules doit être ajoutée.Il a été démontré que GPUMCD se situe à l'intérieur de critères gamma 2%-2mm de deux expériences visant à mettre en évidence l'influence du champ magnétique sur les distributions de dose.Les résultats suggèrent que le GPU est une plateforme matérielle intéressante pour le calcul de dose par simulation de Monte Carlo et que la plateforme logicielle GPUMCD permet de faire un calcul rapide et exact.vi
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".