Sci‐AM2 Sat ‐ 04: Rotating aperture optimization
Notice bibliographique
Résumé
IMRT treatment plans are conventionally produced by the optimization of fluence maps followed by a leaf sequencing step. An alternative approach to fluence based dose optimization is to optimize directly the leaf positions and weights of the segmented fields. This approach is referred to as direct aperture optimization. Here we describe a direct aperture optimization algorithm in which the entire MLC is rotated between each segment field. We call our approach Rotating Aperture Optimization (RAO). The advantages of collimator rotation in IMRT include higher spatial resolution, more flexibility in the generation of aperture shapes and less interleaf error. Since leaf positions are optimized directly, MLC constraints are taken into account during the optimization. Additional constraints like minimum aperture area for each segment shape can also be added. The number of segments per beam is specified by the user. We have tested our RAO algorithm on a complex c‐shape target, a prostate cancer patient and a nasopharynx carcinoma patient. DVH comparisons show that RAO produces highly conformal plans with only 6 segments per beam angle. We show that setting a minimum aperture size for each segment leads to more efficient delivery without compromising the quality of the dose distribution. Our results also show a significant reduction in the number of MU (40% for the nasopharynx and 27% for the prostate) when compared with a fluence based collimator rotated leaf sequencing technique. This work was supported in part by Varian Medical Systems.
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 | 0,000 | 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) | 0,019 | 0,004 |
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 ».