A Two-Step Optimization Method for Improving Multiple Brain Lesion Treatments with Robotic Radiosurgery
Notice bibliographique
Résumé
Planning robotic radiosurgery treatments for multiple (n > 3) metastatic brain lesions is challenging due to the need of satisfying a large number of dose-volume constraints and the requirement of prescribing different dose levels to individual targets. In this study, we developed a sequential two-step optimization technique to improve the planning quality of such treatments. In contrast to the conventional approach of where all targets are simultaneously planned, we have developed a two-step optimization method. In this method, the first step was to create treatment plans for individual targets. In the second step, the 3D dose matrices associated with each plan were exported to Dicom-RT digital files and subsequently optimized. For the optimization, a singular-value-decomposition (SVD) algorithm was implemented to minimize the dose interferences among different targets. Finally, we compared the optimized treatment plans with the treatment plans created using the conventional method to determine the effectiveness of the new method. Large improvements in target dose distributions as well as normal brain sparing were found for the two-step optimization treatment plans as compared with the conventional treatment plans. The two-step optimization significantly lowered the volume of normal brain receiving relatively low doses. For example, the normal brain volume receiving 12-Gy was reduced by averaged 42% (range 34%-47%) with the two-step optimization. Such improvements generally enlarged with increasing number of targets being treated regardless of target sizes. Of note, normal brain dose was found to increase non-linearly with increasing number of targets. In summary, a two-step optimization technique is demonstrated to significantly improve the treatment plan quality as well as reduce the planning effort for multi-target robotic radiosurgery.
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 | 0,001 | 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 ».