Língua de trabalho
Português - Suitable for English-speaking students
Objetivos
Entender conceitos fundamentais de análise estatística e ser capazes de caracterizar um grupo estatístico.
Conseguir aplicar simples algoritmos de Python para resolução de problemas estatísticos.
Conhecer as distribuições binomial, de Poisson, de Gauss, e t-Student.
Entender a abordagem numérica para solução de problemas e ter capacidade de estabelecer um algoritmo básico para modelagem numérica.
Ser capaz de avaliar criticamente os resultados.
Conhecer os conceitos dos números aleatórios e pseudoaleatórios.
Conhecer os algoritmos de geração de números aleatórios.
Adquirir a familiarização com software para análise estatística e numérica e modelação de Monte Carlo.
Entender o Método Monte Carlo e as aplicações em transporte de radiação.Estabelecer uma simulação Monte Carlo para transporte de radiação.
Ser capazes de avaliar a qualidade duma simulação a partir da análise de dados e verificar e ajustar os parâmetros geométricos, físicos e estatísticos da simulação.
Ter capacidade de escolher o melhor código de Monte Carlo segundo exemplos específicos.
Conhecer o Método de solução de problemas inversos e as aplicações em física médica.
Saber como trabalhar em hospital ou ambiente de investigação, onde soluções numéricas de problemas complexos são requeridas.
Resultados de aprendizagem e competências
Competências Principais
Resolução de problemas por métodos numéricos.
Utilização de ferramentas/software adequado.
Análise de resultados e estabelecimento dos seus domínios de validade.
Realizar simulações de Monte Carlo simples para resolução de problemas em Física Médica
Entender a aplicação das ferramentas do curso no campo da Física Médica.
Modo de trabalho
Presencial
Programa
1) Introdução:
- Métodos Numéricos e estatísticos em Física Médica e exemplos ilustrativos, utilizando Python.
2) Estatística:
- Revisão conceitos: estatística descritiva e inferencial; população, amostra, amostragem. Modelação de populações com distribuições de probabilidade discretas e contínuas: distribuições de Poisson, binomial e distribuições normais. Distribuição t-student. Momentos de distribuições; média e variância de uma amostra. Teorema do Limite Central. Média de amostra e suas propriedades.
- Algoritmos de geração de números aleatórios e pseudoaleatórios.
3) Métodos Computacionais
- Noções básicas de programação em Python e aplicações em problemas estatísticos
- Programar uma descrição Monte Carlo simplificado de transporte através da criação dum gerador básico de números aleatórios.
4) Monte Carlo
- Apresentar o Método Monte Carlo como uma abordagem para resolver problemas numéricos complexos, como a integração. Descrever diferentes códigos comummente usados em Física Médica para transporte de radiação.
- Diferentes códigos e tópicos de aplicação.
- MCNPX: características e aplicações em Física Médica. Criar uma aplicação em MCNPX.
- Planeamento inverso em radioterapia.
5) Fantomas computacionais antropomórficos
- Descrever diferentes tipos de fantomas em 3 categorias: Matemático, tipo Voxel e representação em fronteiras.
- Criar um exemplo dum fantoma específico dum paciente.
Bibliografia Obrigatória
000076128. ISBN: 0-19-263269-8 ((An introduction to medical statistics))
Mould Richard F.; Introductory medical statistics. ISBN: 0-7503-0513-4
LearnPyhton.org ; http://www.learnpython.org/ (Tutorial interativo de Pyhton)
Seco João 340; Monte Carlo techniques in radiation therapy. ISBN: 9781466507920
Alex F Bielajew ; Fundamentals of Monte Carlo Transport for neutral and Charged particles, , University of Michigan, 1998-2001 (http://www-personal.umich.edu/~bielajew/MCBook/book.pdf)
LANL/MCNP team; MCNP User Guide (disponível na página moodle da unidade curricular)
Bibliografia Complementar
000041234 ((Numerical Methods...))
000010744. ISBN: 0-201-18399-4 ((A book on C...))
Alex F Bielajew; Fundamentals of Radiation Dosimetry and Radiological Physics, 2005 (http://www-personal.umich.edu/~bielajew/DosimetryBook/book.pdf)
000072453. ISBN: 0-521-75033-4 ((Numerical Recipes in C))
Alireza Haghighat; Monte Carlo Methods for Particle Transport, CRC Press , 2014. ISBN: 9781466592537
Xie George Xu and Keith F. Eckermann; Handbook of Anatomical Models for Radiation Dosimetry, Taylor & Francis, 2009. ISBN: 978-1-4200-5980-9
Métodos de ensino e atividades de aprendizagem
Aulas Teórico-Práticas incluindo exposição e resolução em computador de problemas sobre os temas do programa.
Sempre que possível são explorados problemas no contexto da Física Médica.
Software
Jupyter Lab
pacote monte carlo
MCNPx
Anaconda
Python com matplotlib, ipython, numpy e scipy
PRIMO software
Image J
Palavras Chave
Ciências Físicas > Física > Física aplicada > Física médica
Ciências Físicas > Física > Física computacional
Tipo de avaliação
Avaliação distribuída sem exame final
Componentes de Avaliação
Designação Peso (%)
Trabalho laboratorial 33,00
Teste 33,00
Trabalho prático ou de projeto 34,00
Total: 100,00
Componentes de Ocupação
Designação Tempo (Horas)
Elaboração de projeto 50,00
Estudo autónomo 56,00
Frequência das aulas 56,00
Total: 162,00
Obtenção de frequência
- Nota final mínima de 9.5 valores.
Fórmula de cálculo da classificação final
Para obter a classificação final CF, conta:
Resolução de problemas de implementação computacional aplicados a estatística, métodos computacionais e algoritmos de transporte de radiação, entregues semanalmente sob a forma de relatório, em documento Jupyter Notebook.
Teste escrito de avaliação de conhecimentos, realizado a meio do semestre
Escolha dum projeto final (relatório), com apresentação oral e relatório final escrito, sobre as temáticas abordas na aula ou outras consideradas pertinentes para a disciplina.
CF = 0,34 (Trabalho/Projeto Final) + 0,33 (2 mini-testes) + 0,33 (Avaliação contínua - inclui entrega de problemas semanais/quinzenais)
Melhoria de classificação
Os alunos podem requisitar melhoria apenas aos mini-testes
Português - Suitable for English-speaking students
Objetivos
Entender conceitos fundamentais de análise estatística e ser capazes de caracterizar um grupo estatístico.
Conseguir aplicar simples algoritmos de Python para resolução de problemas estatísticos.
Conhecer as distribuições binomial, de Poisson, de Gauss, e t-Student.
Entender a abordagem numérica para solução de problemas e ter capacidade de estabelecer um algoritmo básico para modelagem numérica.
Ser capaz de avaliar criticamente os resultados.
Conhecer os conceitos dos números aleatórios e pseudoaleatórios.
Conhecer os algoritmos de geração de números aleatórios.
Adquirir a familiarização com software para análise estatística e numérica e modelação de Monte Carlo.
Entender o Método Monte Carlo e as aplicações em transporte de radiação.Estabelecer uma simulação Monte Carlo para transporte de radiação.
Ser capazes de avaliar a qualidade duma simulação a partir da análise de dados e verificar e ajustar os parâmetros geométricos, físicos e estatísticos da simulação.
Ter capacidade de escolher o melhor código de Monte Carlo segundo exemplos específicos.
Conhecer o Método de solução de problemas inversos e as aplicações em física médica.
Saber como trabalhar em hospital ou ambiente de investigação, onde soluções numéricas de problemas complexos são requeridas.
Resultados de aprendizagem e competências
Competências Principais
Resolução de problemas por métodos numéricos.
Utilização de ferramentas/software adequado.
Análise de resultados e estabelecimento dos seus domínios de validade.
Realizar simulações de Monte Carlo simples para resolução de problemas em Física Médica
Entender a aplicação das ferramentas do curso no campo da Física Médica.
Modo de trabalho
Presencial
Programa
1) Introdução:
- Métodos Numéricos e estatísticos em Física Médica e exemplos ilustrativos, utilizando Python.
2) Estatística:
- Revisão conceitos: estatística descritiva e inferencial; população, amostra, amostragem. Modelação de populações com distribuições de probabilidade discretas e contínuas: distribuições de Poisson, binomial e distribuições normais. Distribuição t-student. Momentos de distribuições; média e variância de uma amostra. Teorema do Limite Central. Média de amostra e suas propriedades.
- Algoritmos de geração de números aleatórios e pseudoaleatórios.
3) Métodos Computacionais
- Noções básicas de programação em Python e aplicações em problemas estatísticos
- Programar uma descrição Monte Carlo simplificado de transporte através da criação dum gerador básico de números aleatórios.
4) Monte Carlo
- Apresentar o Método Monte Carlo como uma abordagem para resolver problemas numéricos complexos, como a integração. Descrever diferentes códigos comummente usados em Física Médica para transporte de radiação.
- Diferentes códigos e tópicos de aplicação.
- MCNPX: características e aplicações em Física Médica. Criar uma aplicação em MCNPX.
- Planeamento inverso em radioterapia.
5) Fantomas computacionais antropomórficos
- Descrever diferentes tipos de fantomas em 3 categorias: Matemático, tipo Voxel e representação em fronteiras.
- Criar um exemplo dum fantoma específico dum paciente.
Bibliografia Obrigatória
000076128. ISBN: 0-19-263269-8 ((An introduction to medical statistics))
Mould Richard F.; Introductory medical statistics. ISBN: 0-7503-0513-4
LearnPyhton.org ; http://www.learnpython.org/ (Tutorial interativo de Pyhton)
Seco João 340; Monte Carlo techniques in radiation therapy. ISBN: 9781466507920
Alex F Bielajew ; Fundamentals of Monte Carlo Transport for neutral and Charged particles, , University of Michigan, 1998-2001 (http://www-personal.umich.edu/~bielajew/MCBook/book.pdf)
LANL/MCNP team; MCNP User Guide (disponível na página moodle da unidade curricular)
Bibliografia Complementar
000041234 ((Numerical Methods...))
000010744. ISBN: 0-201-18399-4 ((A book on C...))
Alex F Bielajew; Fundamentals of Radiation Dosimetry and Radiological Physics, 2005 (http://www-personal.umich.edu/~bielajew/DosimetryBook/book.pdf)
000072453. ISBN: 0-521-75033-4 ((Numerical Recipes in C))
Alireza Haghighat; Monte Carlo Methods for Particle Transport, CRC Press , 2014. ISBN: 9781466592537
Xie George Xu and Keith F. Eckermann; Handbook of Anatomical Models for Radiation Dosimetry, Taylor & Francis, 2009. ISBN: 978-1-4200-5980-9
Métodos de ensino e atividades de aprendizagem
Aulas Teórico-Práticas incluindo exposição e resolução em computador de problemas sobre os temas do programa.
Sempre que possível são explorados problemas no contexto da Física Médica.
Software
Jupyter Lab
pacote monte carlo
MCNPx
Anaconda
Python com matplotlib, ipython, numpy e scipy
PRIMO software
Image J
Palavras Chave
Ciências Físicas > Física > Física aplicada > Física médica
Ciências Físicas > Física > Física computacional
Tipo de avaliação
Avaliação distribuída sem exame final
Componentes de Avaliação
Designação Peso (%)
Trabalho laboratorial 33,00
Teste 33,00
Trabalho prático ou de projeto 34,00
Total: 100,00
Componentes de Ocupação
Designação Tempo (Horas)
Elaboração de projeto 50,00
Estudo autónomo 56,00
Frequência das aulas 56,00
Total: 162,00
Obtenção de frequência
- Nota final mínima de 9.5 valores.
Fórmula de cálculo da classificação final
Para obter a classificação final CF, conta:
Resolução de problemas de implementação computacional aplicados a estatística, métodos computacionais e algoritmos de transporte de radiação, entregues semanalmente sob a forma de relatório, em documento Jupyter Notebook.
Teste escrito de avaliação de conhecimentos, realizado a meio do semestre
Escolha dum projeto final (relatório), com apresentação oral e relatório final escrito, sobre as temáticas abordas na aula ou outras consideradas pertinentes para a disciplina.
CF = 0,34 (Trabalho/Projeto Final) + 0,33 (2 mini-testes) + 0,33 (Avaliação contínua - inclui entrega de problemas semanais/quinzenais)
Melhoria de classificação
Os alunos podem requisitar melhoria apenas aos mini-testes
- Professor: Pedro Manuel Peixoto Teles
Período: 2ºSemestre
Unidade Orgânica: FCUP
Ano Letivo: 2024/2025
Código: F4011