Interfractional trend analysis of dose differences based on 2D transit portal dosimetry
Notice bibliographique
Résumé
Dose delivery of a radiotherapy treatment can be influenced by a number of factors. It has been demonstrated that the electronic portal imaging device (EPID) is valuable for transit portal dosimetry verification. Patient related dose differences can emerge at any time during treatment and can be categorized in two types: (1) systematic-appearing repeatedly, (2) random-appearing sporadically during treatment. The aim of this study is to investigate how systematic and random information appears in 2D transit dose distributions measured in the EPID plane over the entire course of a treatment and how this information can be used to examine interfractional trends, building toward a methodology to support adaptive radiotherapy. To create a trend overview of the interfractional changes in transit dose, the predicted portal dose for the different beams is compared to a measured portal dose using a γ evaluation. For each beam of the delivered fraction, information is extracted from the γ images to differentiate systematic from random dose delivery errors. From the systematic differences of a fraction for a projected anatomical structures, several metrics are extracted like percentage pixels with |γ| > 1. We demonstrate for four example cases the trends and dose difference causes which can be detected with this method. Two sample prostate cases show the occurrence of a random and systematic difference and identify the organ that causes the difference. In a lung cancer case a trend is shown of a rapidly diminishing atelectasis (lung fluid) during the course of treatment, which was detected with this trend analysis method. The final example is a breast cancer case where we show the influence of set-up differences on the 2D transit dose. A method is presented based on 2D portal transit dosimetry to record dose changes throughout the course of treatment, and to allow trend analysis of dose discrepancies. We show in example cases that this method can identify the causes of dose delivery differences and that treatment adaptation can be triggered as a result. It provides an important element toward informed decision-making for adaptive radiotherapy.
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 ».