Simultaneous optimization of beam orientations, wedge filters and field weights for inverse planning with anatomy‐based MLC fields
Notice bibliographique
Résumé
As an alternative between manual planning and beamlet-based IMRT, we have developed an optimization system for inverse planning with anatomy-based MLC fields. In this system, named Ballista, the orientation (table and gantry), the wedge filter and the field weights are simultaneously optimized for every beam. An interesting feature is that the system is coupled to Pinnacle3 by means of the PinnComm interface, and uses its convolution dose calculation engine. A fully automatic MLC segmentation algorithm is also included. The plan evaluation is based on a quasi-random sampling and on a quadratic objective function with penalty-like constraints. For efficiency, optimal wedge angles and wedge orientations are determined using the concept of the super-omni wedge. A bound-constrained quasi-Newton algorithm performs field weight optimization, while a fast simulated annealing algorithm selects the optimal beam orientations. Moreover, in order to generate directly deliverable plans, the following practical considerations have been incorporated in the system: collision between the gantry and the table as well as avoidance of the radio-opaque elements of a table top. We illustrate the performance of the new system on two patients. In a rhabdomyosarcoma case, the system generated plans improving both the target coverage and the sparing of the parotide, as compared to a manually designed plan. In the second case presented, the system successfully produced an adequate plan for the treatment of the prostate while avoiding both hip prostheses. For the many cases where full IMRT may not be necessary, the system efficiently generates satisfactory plans meeting the clinical objectives, while keeping the treatment verification much simpler.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».