SU‐E‐T‐589: A Robust 4D Treatment Planning Approach for Lung Radiotherapy
Notice bibliographique
Résumé
Purpose: 4D treatment planning optimizes the cumulative dose delivered over the whole respiratory cycle to generate a plan that compensates for a patients individual respiratory motion. However, changes in the time spent in the each respiratory state may render a 4D plan invalid. We introduced and evaluate two robust treatment planning approaches to compensate for respiratory motion. Methods: A 4D optimization method was developed which optimizes the phase‐weighted dose distribution. Two robust 4D treatment planning approaches were tested: (1) planning on the average motion pdf (AVE_PDF); and (2) combining 4D plans designed on the “worst case” pdfs (WC_PDF). The sensitivity of nominal and robust 4D treatment plans to respiratory motion variations was tested for two scenarios where respiratory phase weights were modified to model changes in amplitude as well as the relative proportion of the respiratory cycle spent inhaling vs. exhaling. Results: The DVHs of robust plans show less sensitivity to variation in breathing pattern. Compared to the nominal 4D plan, robust plans improve the V95 by 2 to 6 Gy and CTV min dose by 1 to 5 Gy. Conclusion: Robust 4D plan can be designed either using average pdf approach or worst case pdf approach. We find that nominal 4D plans are very sensitive to the variation in respiration pattern while robust 4D plans are less sensitive under the similar changes. As compared to static 4D plan, healthy tissue sparing is also better in robust plan. This research is supported by the Natural Sciences and Engineering Research Council of Canada (NSERC).
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».