Limitations of a convolution method for modeling geometric uncertainties in radiation therapy. II. The effect of a finite number of fractions
Notice bibliographique
Résumé
Convolution methods can be used to model the effect of geometric uncertainties on the planned dose distribution in radiation therapy. This requires several assumptions, including that the patient is treated with an infinite number of fractions, each delivering an infinitesimally small dose. The error resulting from this assumption has not been thoroughly quantified. This is investigated by comparing dose distributions calculated using the Convolution method with the result of Stochastic simulations of the treatment. Additionally, the dose calculated using the conventional Static method, a Corrected Convolution method, and a Direct Simulation are compared to the Stochastic result. This analysis is performed for single beam, parallel opposed pair, and four-field box techniques in a cubic water phantom. Treatment plans for a simple and a complex idealized anatomy were similarly analyzed. The average maximum error using the Static method for a 30 fraction simulation for the three techniques in phantoms was 23%, 11% for Convolution, 10% for Corrected Convolution, and 10% for Direct Simulation. In the two anatomical examples, the mean error in tumor control probability for Static and Convolution methods was 7% and 2%, respectively, of the result with no uncertainty, and 35% and 9%, respectively, for normal tissue complication probabilities. Convolution provides superior estimates of the delivered dose when compared to the Static method. In the range of fractions used clinically, considerable dosimetric variations will exist solely because of the random nature of the geometric uncertainties. However, the effect of finite fractionation appears to have a greater impact on the dose distribution than plan evaluation parameters.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».