Image Guidance: Treatment Target Localization Systems
Notice bibliographique
Résumé
Highly conformal radiation therapy tailors treatment to match the target shape and position, minimizing normal tissue damage to a greater extent than previously possible. Technological advances such as intensity-modulated radiation therapy, introduced a decade ago, have yielded significant gains in tumor control and reduced toxicity. Continuing advances have focused on the characterization and control of patient movement, organ motion, and anatomical deformation, which all introduce geometric uncertainty. These sources of uncertainty limit the effectiveness of high-precision treatment. Target localization, performed using appropriate technologies and frequency, is a critical component of treatment quality assurance. Until recently, the target position with respect to the beams has been inferred from surface marks on the patient's skin or through an immobilization device, and verified using megavoltage radiographs of the treatment portal. Advances in imaging technologies have made it possible to image soft tissue volumes in the treatment setting. Real-time tracking is also possible using a variety of technologies, including fluoroscopic imaging and radiopaque markers implanted in or near the tumor. The capacity to acquire volumetric soft tissue images in the treatment setting can also be used to assess anatomical changes over a course of treatment. Enhancing localization practices reduces treatment errors, and gives the capacity to monitor anatomical changes and reduce uncertainties that could influence clinical outcomes. This review presents the technologies available for target localization, and discusses some of the considerations that should be addressed in the implementation of many new clinical processes in radiation oncology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».