Sci‐Thur PM Therapy‐07: Improving IMRT plans delivery for head and neck cases using aperture‐based MLC segments
Notice bibliographique
Résumé
Purpose: To investigate the possibility of performing IMRT in head and neck treatment sites with less segments and monitor units (MU). Materials and methods: Six pharyngeal cases (n = 6) were analysed and four cases (n = 4), in the sinonasal region. For each one, an IMRT plan was first realized using a commercial software (Pinnacle3 — IMFAST segmentation algorithm —). Then, an‐in‐house inverse planning system, called Ballista, based on predetermined segments, was used to realize comparable plans. Its segments are generated with the subtraction of the projection of the OARs with the PTV (planning target volume). Results: For the pharyngeal Ballista plans, the average volume of the PTV that received at least 100% of the prescribed dose (V100) was 85.0±4.5% for the first prescription (PTV1) and the V100 for the second prescription (PTV2 — simultaneous integrated boost —) was 78.5±10.9%. With Pinnacle3, the V100 value was 86.6±4.8% and 81.5±12.4% respectively for PTV1 and PTV2 (see figure 2a and 2b). On average, Ballista plans have required 932±124 MUs and 52±10 segments compared to 1238±230 MU and 117±7 segments for Pinnacle3. For the sinonasal Ballista plans, the average V100 obtained was 80.0±3.1%. With Pinnacle3, the V100 gave 75.7±2.7%. Ballista plans have required an average of 406±54 MUs and 22±1 segments compared to 697±133 MUs and 99±14 segments for beamlet‐based IMRT. Conclusion: In step‐and‐shoot head and neck IMRT, an anatomy‐based MLC optimization system can achieve similar dosimetric plans comparable to traditional beamlet‐based IMRT with less number of segments and MU.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,002 | 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 ».