امروزه پرتو درمانی نقش به سزایی در درمان تومورهای سرطانی دارد. برای رسیدن به اهداف پرتودرمانی، اجرای یک طراحی درمان دقیق، امری ضروری است. یکی از مراحل اساسی طراحی درمان، محاسبه توزیع دز است. از آن جاکه دقت کدهای مونت کارلو در محاسبه دز امری اثبات شده است، می توان از این کدها برای ارزیابی برنامه های تجاری طراحی درمان رایانه ای و همچنین محاسبه توزیع دز در بیماران خاص استفاده کرد. لذا برای طراحی درمان مونت کارلو لازم است اطلاعات بدن بیمار به صورت هندسه و ماده ی مناسب و با فرمت مناسب کد مونت کارلوی مورد نظر، تبدیل شود. بهترین و دقیق ترین راه استفاده از اطلاعات تصاویر ct بیمار است. از آنجاکه تعداد وکسل های هر برشct (در تصاویر512 در 512) 262144 سلول است، در نتیجه در یک حجم سه بعدی تعداد کل سلول-ها در حدود چندین میلیون سلول می باشد. باید توجه داشت که محاسبات مونت کارلو با این تعداد سلول، بسیار زمان بر است وبا توجه به رزولوشن تصاویر ct، داده های خروجی بسیار نویزی خواهد شد. لذا برای رفع این دو مشکل و با توجه به قابلیت مش تالی در کد mcnpx برای داشتن مش مناسب محاسبات تالی، نیازی به چنین رزولوشنی در تعریف سلول های هندسی نمی باشد. در این پژوهش علاوه بر بررسی عوامل موثر بر راندمان پردازش موازی کد mcnpx بر روی کلاستری 320 هسته ای، سه الگوریتم برای پردازش تصاویر ct به منظور کاهش تعداد سلول های مجاور با مواد و چگالی یکسان طراحی و همچنین برنامه جامع تبدیل تصاویر ct به ورودی کد mcnp تحت برنامه matlab نوشته شده است ct2mcnp)). این برنامه با دریافت تصاویر ct (با فرمت دایکام)، قابلیت ساخت پرونده ی ورودیmcnp بر اساس اطلاعات استخراج شده از تصاویر را دارد. هم-چنین کاربر می تواند با اعمال هر یک از الگوریتم های کاهش سلول ها، شامل روش سطری-ستونی، الگوریتم ژنتیک و الگوریتم مبتنی بر تئوری گراف که در برنامه تعبیه شده است، ورودی کد mcnp را تولید نماید. نتایج پردازش موازی کد mcnp نشان داد که استفاده از کارت prdmp و تنظیم مناسب آن در افزایش راندمان پردازش موازی کد به ویژه برای برنامه های با تعداد سلول زیاد همچون محاسبه دز در پرتودرمانی بسیار موثر است. به طوری که تنظیم کارت prdmp در یک برنامه با تعداد 64000 سلول و برای ده میلیون فوتون بر روی کلاستر 320 هسته ای، باعث افزایش 15 برابری سرعت محاسبات شد. مقایسه نتایج سه الگوریتم ارائه شده برای تلفیق سلول های مجاور، نشان داد که راندمان روش مبتنی بر گراف ها از دو روش دیگر بیشتر است. به نحوی که راندمان کاهش تعداد سلول ها در آن 7% بیشتر از روش سطری-ستونی و 7/14% بهتر از الگوریتم ژنتیک است.