Poster — Thur Eve — 37: Improved clustering MLC leaf‐sequencing algorithm for step‐and‐shoot IMRT
Notice bibliographique
Résumé
This study examines how to reduce the complexity of fluence map generated using an improved clustering leaf-sequencing method, and evaluates such method in step-and-shoot intensity-modulated radiotherapy (IMRT). Based on the current equal-space grouping algorithm for multileaf collimator (MLC) leaf sequence, we proposed an improved K-means grouping algorithm which can replace the stratification routine in the program of existing leaf sequence. The improved algorithm can be thought of as a gradient descent procedure, which begins at starting cluster centroids, and iteratively updates these centroids to decrease the objective function. The K-means always converge to a local minimum depending on the starting cluster centroids. The K-means algorithm continuously updates cluster centroids until the local minimum is reached. We compare the leaf-sequencing results in term of numerical values from the improved K-means and equal-space grouping algorithm. A representative 1D intensity map from a clinical treatment plan was investigated and optimized by the K-means and equal-space grouping algorithm. It was found that the K-means algorithm decreased the dose square error from 53.67 to 35.27. Moreover, the normalized square differences of the equal-space and K-means algorithm are equal to 2881 and 1244, respectively. The results demonstrated an improvement in accuracy achievable by allowing the fluence map to be defined in an optimal way rather than using the pre-defined criteria. Therefore, the K-means leaf-sequencing algorithm can better simulate the distributions of the input fluence data compared to the traditional grouping algorithm in step-and-shoot IMRT.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».