Monte Carlo based electron treatment planning and cutout output factor calculations
Bibliographic record
Abstract
La radiotherapie d'électrons offre plusieurs avantages en comparaison avec les photons. La dose de surface élevée, en combinaison avec une dose descendante plus rapide au-delà du volume prévu présente un taux plus élevé de la probabilité de contrôle tumoral et diminue les complications dans les tissus normaux en évitant les tumeurs superficiel. Les traitements d'électrons sont habituellement utilisés cliniquement sans calculations de doses prévu, due à leurs complexités du transport d'électron qui sont impliqués et plusieurs erreurs de precision en planification. Cette recherche utilise les methodes de Monte Carlo (MC) pour démontrer cliniquement les faisceaux d'électrons pour précisément calculer la dose d'électron distribuée au patients mais aussi pour pouvoir calculer les facteurs de dendements de cutout, et ceci réduit le besoin d'une mesure clinique. Ce projet a été élaboré dans un environnement de calculation par MC: McGill Monte Carlo Treatment Planning (MMCTP) System. Mesure de pourcentage de dose en profondeur, profiles et les facteurs de rendements de cutout ainsi que de doses mesurés avec des films GAFCHROMIC EBT2 dans les phantoms hétérogène ont été obtenu pour déléguer la modèle de faisceau d'électron. L'utilisation de MC pour l'électrode TP sera apporter des traitements plus précis et en consequence produire plus de connaissance de la dose d'electrons plus approprié pour le patient. Ces attributions pourront sauver jusqu'à une heure par patient en terme de temps passé en clinique.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.006 | 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".