Direct aperture optimization for FLEC‐based MERT and its application in mixed beam radiotherapy
Notice bibliographique
Résumé
PURPOSE: Despite promising research in modulated electron radiotherapy (MERT), an applicator to produce modulated electron beams and associated treatment planning software is still not commercially available. This work investigated an optimization process in treatment planning for the McGill few leaf electron collimator (FLEC) MERT delivery device. In addition, the possibility of combining MERT with photon fields was examined to investigate mixed beam radiotherapy. METHODS: A FLEC direct aperture optimization (DAO) method, in which FLEC apertures and weights were iteratively optimized was created. The authors evaluated the performance of DAO against our previous technique for generating FLEC plans and with commercially available photon beam optimization algorithms using a basic target and organ at risk geometry. The authors applied the DAO technique on a sarcoma treatment to evaluate clinical parameters. Finally, the authors examined the merit of mixing the DAO generated FLEC electron fields with photon fields to improve the dosimetry of the sarcoma treatment. RESULTS: In relation to the alternative plans, the DAO generated sarcoma MERT plan was competitive in its ability to reduce the dose to OAR but weaker in its ability to highly conform the dose to the target volume. The addition of photon fields improved the quality of the MERT plan in terms of OAR sparing and target conformality. CONCLUSIONS: The DAO approach yielded deliverable FLEC-based MERT plans with a limited number of fields. The approach combined with photon optimization added flexibility, where the mutual benefits of each radiation type was used in unison to improve plan quality.
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 ».