意义：当前用于光传播建模的开源蒙特卡罗 (MC) 方法的构建多次繁琐，并且需要第三方许可软件，这通常会阻碍生物医学光学界的潜在研究人员充分利用光传播工具。此外，同样的缺点也限制了对各种 MC 代码估计的物理量的严格交叉验证。目标：提出一种用于光传播建模的开源工具和一个易于访问的数据集，以鼓励研究人员之间进行富有成效的交流，并为在 MC 方法的可用实现之间进行更一致的比较铺平道路。方法：基于 Python 编程语言和 PyOpenCL 扩展的多层和体素化组织的 MC 方法的 PyXOpto 实现支持在众多支持 OpenCL 的设备上进行大规模并行计算。所提出的实现用于计算各种源、检测器和组织配置的反射率、透射率、能量沉积和采样体积的大型数据集。结果：提议的 PyXOpto 与原始 MC 实现非常吻合。然而，进一步的验证揭示了原始 MC 实现中使用的随机数生成器引入的明显偏差。结论：建立一个通用数据集对于验证现有和开发的用于混浊介质中光传播的 MC 代码非常重要。所提出的实现用于计算各种源、检测器和组织配置的反射率、透射率、能量沉积和采样体积的大型数据集。结果：提议的 PyXOpto 与原始 MC 实现非常吻合。然而，进一步的验证揭示了原始 MC 实现中使用的随机数生成器引入的明显偏差。结论：建立一个通用数据集对于验证现有和开发的用于混浊介质中光传播的 MC 代码非常重要。所提出的实现用于计算各种源、检测器和组织配置的反射率、透射率、能量沉积和采样体积的大型数据集。结果：提议的 PyXOpto 与原始 MC 实现非常吻合。然而，进一步的验证揭示了原始 MC 实现中使用的随机数生成器引入的明显偏差。结论：建立一个通用数据集对于验证现有和开发的用于混浊介质中光传播的 MC 代码非常重要。进一步的验证揭示了原始 MC 实现中使用的随机数生成器引入的明显偏差。结论：建立一个通用数据集对于验证现有和开发的用于混浊介质中光传播的 MC 代码非常重要。进一步的验证揭示了原始 MC 实现中使用的随机数生成器引入的明显偏差。结论：建立一个通用数据集对于验证现有和开发的用于混浊介质中光传播的 MC 代码非常重要。
Significance: Current open-source Monte Carlo (MC) method implementations for light propagation modeling are many times tedious to build and require third-party licensed software that can often discourage prospective researchers in the biomedical optics community from fully utilizing the light propagation tools. Furthermore, the same drawback also limits rigorous cross-validation of physical quantities estimated by various MC codes.
Aim: Proposal of an open-source tool for light propagation modeling and an easily accessible dataset to encourage fruitful communications amongst researchers and pave the way to a more consistent comparison between the available implementations of the MC method.
Approach: The PyXOpto implementation of the MC method for multilayered and voxelated tissues based on the Python programming language and PyOpenCL extension enables massively parallel computation on numerous OpenCL-enabled devices. The proposed implementation is used to compute a large dataset of reflectance, transmittance, energy deposition, and sampling volume for various source, detector, and tissue configurations.
Results: The proposed PyXOpto agrees well with the original MC implementation. However, further validation reveals a noticeable bias introduced by the random number generator used in the original MC implementation.
Conclusions: Establishing a common dataset is highly important for the validation of existing and development of MC codes for light propagation in turbid media.
