CN114298177A - 一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质 - Google Patents
一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质 Download PDFInfo
- Publication number
- CN114298177A CN114298177A CN202111541880.XA CN202111541880A CN114298177A CN 114298177 A CN114298177 A CN 114298177A CN 202111541880 A CN202111541880 A CN 202111541880A CN 114298177 A CN114298177 A CN 114298177A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- superposition
- augmentation
- original
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 230000003416 augmentation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims 2
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004980 dosimetry Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质,所述扩充增强方法至少包括如下步骤:S1,获取原始训练数据,基于原始训练数据的射线能谱,通过数据分类模块对所述原始训练数据进行分类,其中,将具有相同特征能谱Sk的原始训练数据归为同一类;S2,通过第一数据训练模块,基于第一随机选取方式,从具有相同特征能谱Sk的原始训练数据中选取N个第一数据,所述N个第一数据按照第一线性叠加的方式生成第一新数据;S3,通过第二数据训练模块,基于第二随机选取方式,从所述第一新数据中选取M个第二数据,所述M个数据按照第二线性叠加的方式生成第二新数据;S4,重复步骤S2和S3以生成训练样本。
Description
技术领域
本发明涉及数据增强技术领域,尤其涉及一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质。
背景技术
在医疗领域中应用神经网络最大的挑战就是缺乏大量已经标注的数据,采用大尺度的尽可能涵盖所有情况的训练集(large-scale datasets),可以提升模型泛化能力(generalizability),避免模型在遇到新数据时表现不足,但因为与自然图像数据集不同,医学影像数据集一般很小,主要原因是获得匿名准确标注的医学影像数据是很费事且困难的任务。同样,在放射治疗剂量计算中,也很难遍历获得所有不同强度及形状不同的剂量分布。因此采用有效的数据增强技术,弥补了训练集的“空白区域”,保证所训练模型具有泛化能力,适用多种条件,是影响深度学习在剂量计算中能否落地的关键。
现有在针对图像处理的深度学***移(shift)。对图像在水平及垂直方向进行平移生成新数据,在每次生成新数据时,按照预先设定平移距离范围内,随机生成水平和垂直方向上的平移距离,生成新训练数据。4)旋转(rotation)。对图像进行旋转生成新数据,在每次生成新数据时,按照某个设定点作为旋转中心,在预先设定的旋转角度范围内,随机旋转一定角度,生成新数据。5)翻转(flipping)。对图像通过水平或者垂直翻转生成新数据,在每次生成新数据时,随机确定是否进行水平或者垂直位置上的翻转,生成新数据。
现有的技术没有针对剂量学原理以及特点,有效针对剂量计算增加有用的新类型数据,甚至有可能会产生错误的新数据,例如:1)切割,因为剂量计算某点剂量包含周边散射线的贡献,因此切割操作可能造成部分散射信息的缺失。2)缩放,粒子相互作用以及迁移与实际物理距离有关,例如距离平方反比定律,简单的缩放而不对相应的值进行修改,会导致该部分反映信息有误。3)平移、旋转、翻转,因为当粒子与介质分布相对位置固定时候,所产生的剂量分布也是固定,简单的平移旋转以及翻转操作并没有产生新的数据,例如没有涵盖产生新的不同能谱,不同射束强度以及形状下的剂量,并没有产生实质上新数据。因此,本发明旨在提供一种能够克服上述缺陷的数据增强方法。
发明内容
本发明的目的在于克服现有技术的缺点,提供一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质。
本发明的目的通过以下技术方案来实现:一种适用于深度学习训练数据的扩充增强方法,应用于与多个用户设备通信连接的数据训练服务器,所述方法至少包括如下步骤:S1,获取原始训练数据,基于原始训练数据的射线能谱,通过数据分类模块对所述原始训练数据进行分类,其中,将具有相同特征能谱Sk的原始训练数据归为同一类;S2,通过第一数据训练模块,基于第一随机选取方式,从具有相同特征能谱Sk的原始训练数据中选取N个第一数据,所述N个第一数据按照第一线性叠加的方式生成第一新数据;S3,通过第二数据训练模块,基于第二随机选取方式,从所述第一新数据中选取M个第二数据,所述M个数据按照第二线性叠加的方式生成第二新数据;S4,重复步骤S2和S3以生成训练样本。
优选的,第一线性叠加方式至少包括如下步骤:S201,将随机抽取的N个数据分别命名为(T1,k,D1,k),(T2,k,D2,k)……(TN,k,DN,k);S202,所述N个数据基于第一叠加公式进行线性叠加以得到所述第一新数据(T’k,D’k),所述第一叠加公式为其中,T为训练集的输入数据,D为训练集的目标数据,ci为第一叠加比例,所述第一叠加比例ci为0~1之间的随机数,i为训练步数,所述第一叠加比例ci满足
优选的,第二线性叠加方式至少包括如下步骤:S301,将随机抽取的M个数据分别命名为(T’1,D’1),(T’2,D’2)……(T’M,D’M);S302,所述M个数据基于第二叠加公式进行线性叠加以得到所述第二新数据(T”,D”),所述第二叠加公式为其中,dk为第二叠加比例,所述第二叠加比例dk为0~1之间的随机数,k为训练步数,所述第二叠加比例dk满足
优选的,第一数据的数量N小于Sk分类数据中原始数据的总量,第二数据的数量M小于Sk分类种类。
优选的,在重复步骤S2和S3以生成训练样本的情况下,所述第一数据的数量N和所述第二数据的数量M配置为随机设置,所述第一叠加比例ci和第二叠加比例dk均配置为随机设置。
本发明具有以下优点:
本发明是一种针对深度学习应用于剂量计算,在训练过程对训练数据的增强技术,通过根据剂量学原理以及可线性叠加的特性,根据射线能量以及射线强度及形状进行分类叠加,取得有效随机生成具有新特征的训练数据的效果,进一步有效弥补了原始训练集的“空白区域”,实现了提高训练模型泛化能力,以及对新数据的处理能力,避免过拟合的目的。
附图说明
图1为本发明的适用于深度学习训练数据的扩充增强方法的流程示意图;
图2为本发明的扩充增强***的模块化结构示意图。
图中,1-数据训练服务器、2-用户设备、3-数据分类模块、4-第一数据训练模块、5-第二数据训练模块。
具体实施方式
下面结合附图对本发明做进一步的描述,本发明的保护范围不局限于以下所述:
如图1所示,本申请提供一种适用于深度学习训练数据的扩充增强方法,至少包括如下步骤:
S1,获取原始训练数据,基于原始训练数据的射线能谱对所述原始训练数据进行分类,其中,将具有相同特征能谱Sk的原始训练数据归为同一类;
具体的,原始训练数据按照如下步骤获取:
S101,根据影像信息,转换为介质材料以及电子密度分布图。影像图像为CT图像,根据采集CT图像的机器的HU-电子密度转换曲线把CT图像的HU值转换成电子密度分布图像。
S102,根据射束条件以及影像所提供介质的材料以及电子密度分布,计算初始入射光子与介质发生相互作用的量TERMA。本实施针对单能进行计算,对于单能能量为E的光子线,从源到计算点的TERMA计算公式为式中以及分别为在网格与的光子的衰减系数(attenuation coefficient),与光子能量和介质有关,质量衰减系数从National Institute of Standards and Technology(NIST)查询获得,为处的介质密度,为射束通量分布。
S103,训练目标数据。训练目标数据采用蒙特卡罗剂量算法计算获得,计算时与输入数据配对,在相同的CT以及相同射线能量及分布下生成。
S104,训练数据生成条件。训练数据在以下条件下生成:(1)射线能量为在4MV、10MV、24MV三种医用直线加速器出束能谱中随机抽取一个能谱生成。(2)通过随机设置射野条件,射野范围为crossline方向,X1:-20cm~15cm,X2:-15cm~20cm,inline方向,Y1:-20cm~10cm,Y2:-10cm~20cm。等中心点在模体内随机位置。根据射野条件以及电子密度分布,计算对应的TERMA分布以及目标剂量算法计算的剂量分布。
优选的,具有相同特征能谱Sk的原始训练数据归为同一类可以按照如下方式生成:根据生成原始训练数据射线能谱4MV,10MV,24MV,将原始训练数据分成三类,分别用S1,S2,S3进行表示。
S2,基于第一随机选取方式,从具有相同特征能谱Sk的原始训练数据中选取N个第一数据,所述N个第一数据按照第一线性叠加的方式生成第一新数据。
具体的,对具有相同的射线能谱的原始训练数据,由随机抽出的5个第一数据(T1,k,D1,k),(T2,k,D2,k)……(T5,k,D5,k)按照第一线性叠加方式生成第一新数据(T’k,D’k)。每个能谱生成1个第一新数据,共3个第一新数据,分别用(T’1,D’1),(T’2,D’2),(T’3,D’3)表示。
优选的,第一线性叠加方式至少包括如下步骤:
S201,将随机抽取的N个数据分别命名为(T1,k,D1,k),(T2,k,D2,k)……(TN,k,DN,k);
S202,所述N个数据基于第一叠加公式进行线性叠加以得到所述第一新数据(T’k,D’k),所述第一叠加公式为其中,T为训练集的输入数据,D为训练集的目标数据,ci为第一叠加比例,所述第一叠加比例ci为0~1之间的随机数,i为训练步数,所述第一叠加比例ci满足
S3,基于第二随机选取方式,从所述第一新数据中选取M个第二数据,所述M个数据按照第二线性叠加的方式生成第二新数据。
具体的,从新生成的第一新数据(T’k,D’k)中,随机抽出3个第二数据(T’1,D’1),(T’2,D’2),(T’3,D’3),上述三个第二数据按照第二线性叠加的方式生成第二新数据(T”,D”)。
优选的,第二线性叠加方式至少包括如下步骤:
S301,将随机抽取的M个数据分别命名为(T’1,D’1),(T’2,D’2)……(T’M,D’M);
S302,所述M个数据基于第二叠加公式进行线性叠加以得到所述第二新数据(T”,D”),所述第二叠加公式为其中,dk为第二叠加比例,所述第二叠加比例dk为0~1之间的随机数,k为训练步数,所述第二叠加比例dk满足
S4,重复步骤S2和S3以生成训练样本。
具体的,生成的第二新数据(T”,D”),被送到网络训练过程,重复步骤S2和S3继续生成新的数据,直到训练结束。
优选的,第一数据的数量N小于Sk分类数据中原始数据的总量,第二数据的数量M小于Sk分类种类。在重复步骤S2和S3以生成训练样本的情况下,所述第一数据的数量N和所述第二数据的数量M配置为随机设置,所述第一叠加比例ci和第二叠加比例dk均配置为随机设置。
优选的,在训练过程对训练数据的增强技术,可适用包括且不仅限于卷积神经网络框架等的模型训练。不同入射线能谱包括且不限于已有医用直线加速器不同加速电压下出束能谱、人工拟合不同特征能谱、也包括单能能谱等。作为训练目标的剂量计算结果,可通过任何治疗计划***或者具有剂量计算功能的软件通过例如笔形束算法,筒串卷积算法,蒙卡模拟等获得。
优选的,如图2所示,本申请还提供一种适用于深度学习训练数据的扩充增强***,至少包括数据训练服务器1和若干个用户设备2。数据训练服务器1用于提供原始训练数据。数据训练服务器能够将训练完成的训练数据传输至用户设备2以工用户设备2进行应用。扩充增强***还包括数据分类模块3、第一数据训练模块4和第二数据训练模块5。数据分类模块3用于执行步骤S1。第一数据训练模块4用于执行步骤S2。第三数据训练模块5用于执行步骤S3。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种适用于深度学习训练数据的扩充增强方法,其特征在于,应用于与多个用户设备通信连接的数据训练服务器,所述扩充增强方法至少包括如下步骤:
S1,获取原始训练数据,基于原始训练数据的射线能谱,通过数据分类模块(3)对所述原始训练数据进行分类,其中,将具有相同特征能谱Sk的原始训练数据归为同一类;
S2,通过第一数据训练模块(4),基于第一随机选取方式,从具有相同特征能谱Sk的原始训练数据中选取N个第一数据,所述N个第一数据按照第一线性叠加的方式生成第一新数据;
S3,通过第二数据训练模块(5),基于第二随机选取方式,从所述第一新数据中选取M个第二数据,所述M个数据按照第二线性叠加的方式生成第二新数据;
S4,重复步骤S2和S3以生成训练样本。
4.根据权利要求1所述的适用于深度学习训练数据的扩充增强方法,其特征在于,第一数据的数量N小于Sk分类数据中原始数据的总量,第二数据的数量M小于Sk分类种类。
5.根据权利要求3所述的适用于深度学习训练数据的扩充增强方法,其特征在于,在重复步骤S2和S3以生成训练样本的情况下,所述第一数据的数量N和所述第二数据的数量M配置为随机设置,所述第一叠加比例ci和第二叠加比例dk均配置为随机设置。
6.一种适用于深度学习训练数据的扩充增强***,其特征在于,包括数据训练服务器以及与所述数据训练服务器通信连接的多个用户设备,所述数据训练服务器用于执行权利要求1-5任一项所述的扩充增强方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被运行时以执行权利要求1-5任一项所述的扩充增强方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541880.XA CN114298177A (zh) | 2021-12-16 | 2021-12-16 | 一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541880.XA CN114298177A (zh) | 2021-12-16 | 2021-12-16 | 一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298177A true CN114298177A (zh) | 2022-04-08 |
Family
ID=80967864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111541880.XA Pending CN114298177A (zh) | 2021-12-16 | 2021-12-16 | 一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298177A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270588A (zh) * | 2022-08-03 | 2022-11-01 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种注量谱分布计算建模、注量谱分布计算方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392130A (zh) * | 2017-07-13 | 2017-11-24 | 西安电子科技大学 | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 |
CN109872332A (zh) * | 2019-01-31 | 2019-06-11 | 广州瑞多思医疗科技有限公司 | 一种基于u-net神经网络的三维医学图像配准方法 |
CN110232396A (zh) * | 2019-04-09 | 2019-09-13 | 贵州大学 | X射线乳腺影像深度学习分类方法 |
US20190370969A1 (en) * | 2018-05-30 | 2019-12-05 | Siemens Healthcare Gmbh | Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium |
CN110956634A (zh) * | 2020-02-26 | 2020-04-03 | 南京慧脑云计算有限公司 | 一种基于深度学习的脑微出血自动检测方法及*** |
CN111239791A (zh) * | 2020-01-17 | 2020-06-05 | 卡迪诺科技(北京)有限公司 | 一种辐射剂量场的模拟方法及装置 |
CN111275691A (zh) * | 2020-01-22 | 2020-06-12 | 北京邮电大学 | 一种基于深度学习的小样本肿瘤坏死率分类预测装置 |
CN111291833A (zh) * | 2020-03-20 | 2020-06-16 | 京东方科技集团股份有限公司 | 应用于监督学习***训练的数据增强方法和数据增强装置 |
CN111814607A (zh) * | 2020-06-24 | 2020-10-23 | 中国地质大学(武汉) | 一种适用于小样本高光谱影像分类的深度学习模型 |
WO2020236206A1 (en) * | 2019-05-23 | 2020-11-26 | Google Llc | Methods, systems, and media for relighting images using predicted deep reflectance fields |
WO2021057174A1 (zh) * | 2019-09-26 | 2021-04-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序 |
CN112949738A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于eecnn算法的多类不平衡高光谱图像分类方法 |
US20210383148A1 (en) * | 2020-06-09 | 2021-12-09 | Shandong University | Automatic data enhancement expansion method, recognition method and system for deep learning |
-
2021
- 2021-12-16 CN CN202111541880.XA patent/CN114298177A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392130A (zh) * | 2017-07-13 | 2017-11-24 | 西安电子科技大学 | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 |
US20190370969A1 (en) * | 2018-05-30 | 2019-12-05 | Siemens Healthcare Gmbh | Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium |
CN109872332A (zh) * | 2019-01-31 | 2019-06-11 | 广州瑞多思医疗科技有限公司 | 一种基于u-net神经网络的三维医学图像配准方法 |
CN110232396A (zh) * | 2019-04-09 | 2019-09-13 | 贵州大学 | X射线乳腺影像深度学习分类方法 |
WO2020236206A1 (en) * | 2019-05-23 | 2020-11-26 | Google Llc | Methods, systems, and media for relighting images using predicted deep reflectance fields |
WO2021057174A1 (zh) * | 2019-09-26 | 2021-04-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序 |
CN111239791A (zh) * | 2020-01-17 | 2020-06-05 | 卡迪诺科技(北京)有限公司 | 一种辐射剂量场的模拟方法及装置 |
CN111275691A (zh) * | 2020-01-22 | 2020-06-12 | 北京邮电大学 | 一种基于深度学习的小样本肿瘤坏死率分类预测装置 |
CN110956634A (zh) * | 2020-02-26 | 2020-04-03 | 南京慧脑云计算有限公司 | 一种基于深度学习的脑微出血自动检测方法及*** |
CN111291833A (zh) * | 2020-03-20 | 2020-06-16 | 京东方科技集团股份有限公司 | 应用于监督学习***训练的数据增强方法和数据增强装置 |
US20210383148A1 (en) * | 2020-06-09 | 2021-12-09 | Shandong University | Automatic data enhancement expansion method, recognition method and system for deep learning |
CN111814607A (zh) * | 2020-06-24 | 2020-10-23 | 中国地质大学(武汉) | 一种适用于小样本高光谱影像分类的深度学习模型 |
CN112949738A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于eecnn算法的多类不平衡高光谱图像分类方法 |
Non-Patent Citations (1)
Title |
---|
唐校辉;廖欣;陈雷霆;陈文昭;: "基于改进Tri-Training算法的健康大数据分类模型研究", 现代计算机(专业版), no. 20, 15 July 2017 (2017-07-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270588A (zh) * | 2022-08-03 | 2022-11-01 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种注量谱分布计算建模、注量谱分布计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2557888C (en) | Computation of radiating particle and wave distributions using a generalized discrete field constructed from representative ray sets | |
Gifford et al. | Comparison of a finite-element multigroup discrete-ordinates code with Monte Carlo for radiotherapy calculations | |
US20230302296A1 (en) | Method, apparatus, and system for simulating a particle transport and determining human dose in a radiotherapy | |
EP3566747A1 (en) | Medical image data-based method for establishing smooth geometric model | |
CN114298177A (zh) | 一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质 | |
Mackeprang et al. | Independent Monte-Carlo dose calculation for MLC based CyberKnife radiotherapy | |
Zhu et al. | A preliminary study of a photon dose calculation algorithm using a convolutional neural network | |
Siddique et al. | FLASH radiotherapy and the use of radiation dosimeters | |
Malusek et al. | A model‐based iterative reconstruction algorithm DIRA using patient‐specific tissue classification via DECT for improved quantitative CT in dose planning | |
CN112086173B (zh) | 三维剂量计算方法、装置、计算机设备及可读介质 | |
Babcock et al. | Increasing the speed of DOSXYZnrc Monte Carlo simulations through the introduction of nonvoxelated geometries | |
Grzanka | Modelling beam transport and biological effectiveness to develop treatment planning for ion beam radiotherapy | |
CN113426030B (zh) | 一种质子剂量的计算方法及装置 | |
Vandervoort et al. | Evaluation of a new commercial Monte Carlo dose calculation algorithm for electron beams | |
Shaw | Evaluation of the effects of bolus air gaps on surface dose in radiation therapy and possible clinical implications | |
CN107281657B (zh) | 一种针对多发性肿瘤的放疗设备高能光束路径优化方法 | |
Liu et al. | Fast Monte Carlo simulation for total body irradiation using a teletherapy unit | |
Solovyev et al. | Comparative analysis of MCNPX and GEANT4 codes for fast-neutron radiation treatment planning | |
Yuan et al. | Deterministic photon kerma distribution based on the Boltzmann equation for external beam radiation therapy | |
CN107441635B (zh) | 一种用于减少治疗时间的多发性肿瘤放射线路径优化方法 | |
CN111584104B (zh) | 基于多次碰撞源-蒙特卡罗耦合获取反应堆外探测器响应的方法 | |
CN116561834A (zh) | 一种电子加速器中子源靶结构参数优化设计方法及*** | |
CN107185117B (zh) | 面向多发性肿瘤放射治疗的高能x射线区域路径优化方法 | |
Battista | Conceptual Overview of Algorithms | |
Zhang et al. | Development of multilevel mesh adaptivity for global variance reduction in Monte Carlo code cosRMC |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |