Monte Carlo treatment planning with modulated electron radiotherapy: framework development and application
Bibliographic record
Abstract
La technique Monte Carlo de transport de particules est considéré la méthode la plus précise pour calculer la distribution de dose dans les patients. La plate-forme de planification de traitement Monte Carlo de McGill (MMCTP) offre un environnement de logiciels flexibles pour intégrer des simulations Monte Carlo avec les modalités de traitement actuelles et nouvelles. Une nouvelle modalité de traitement surnommée MERT devrait améliorer la dosimétrie sur des cibles superficielles. Un des objectifs de ce travail est d'avancer la recherche et le développement de MERT à des fins d'usage clinique. Ainsi, nous présentons la plateforme MMCTP avec une boite à outils intégrée pour la planification et l'administration de plans MERT. Ces plans sont administrés à l'aide d'un collimateur automatisé surnommé FLEC et d'un contrôleur. En plus des outils de planification MERT, la plateforme MMCTP a nécessité plusieurs ajouts pour effectuer les taches complexes impliquées dans l'automatisation des simulations Monte Carlo à large échelle. La première addition était un filtre d'importation DICOM, suivie par l'implémentation de DOSXYZnrc comme outil de calcul de dose puis l'implémentation des méthodes logiques pour soumettre et mettre à jour le statut des simulations Monte Carlo. Dans ce travail, nous avons validé la plateforme MMCTP en recalculant avec le code Monte Carlo un plan tête et cou réalisé initialement par un dosimétriste médical. L'impact de MMCTP réside dans le fait qu'il permet des calculs de dose Monte Carlo à grande échelle avec une plateforme indépendante et systématique pour différents sites et différentes modalités de traitement. En plus des outils de plannification MERT, différents algorithmes d'optimisation ont été créés indépendamment de MMCTP. Ces algorithmes produisent des plans de traitement MERT basés sur des contraintes dose volume en utilisant des kernels pré-générés Monte Carlo de patient spécifiques. Les kernels Monte Carlo sont généerés à partir des distributions de dose Monte Carlo de patient spécifique dans MMCTP. La structure des algorithmes d'optimisation et du logiciel de la boite d'outils de planification sont démontrées. Nous avons également étudié l'impact clinique de MERT sur les irradiations de la colonne, les irradiations accélérées de sein, les irradiations de la tête et des sarcomes du cou en utilisant plusieurs paramètres pour analyser les plans de traitement. Finalement, nous avons cherché à combiner des plans de traitement photons avec d'autres d'électrons. Les outils d'optimisation du plan de traitement en photon ont été inclus dans la boite à outils de planification de MERT dans le but d'optimiser la combinaison des faisceaux. En conclusion, le travail de cette thèse a permis de développer une plateforme avancée pour les études de planification de traitement Monte Carlo en photons et en électrons. Il a également permis de développer un système de planification inverse pour photon, électron ou la radiothérapie de faisceaux combinés (MBRT pour "Mixed Beam RadioTherapy"). La justification et la validation de ce travail sont déemontrées à travers les résultats des études de planification, qui ont déterminées les avantages dosimétriques d'utiliser MERT ou MBRT par rapport aux alternatives cliniques de traitement.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".