Efficient on‐line setup correction strategies using plan‐intent functions
Notice bibliographique
Résumé
With the introduction of image-guided radiation therapy (IGRT) delivery systems on-line set-up correction strategies have gained in popularity. Usually, the correction workload of these strategies is high compared to off-line strategies as daily setup corrections have to be performed based on a predefined action level. In this work, it is proposed that on-line strategies must not only be judged in terms of workload but also in terms of efficacy. While workload can be easily predicted for such strategies, the efficacy must ultimately reflect the efficiency with which the original treatment plan intent is met. The purpose of this work is to investigate the tradeoff between workload and efficacy of three different on-line set-up correction strategies: The common fixed action level strategy and two novel on-line setup correction strategies, i.e., a dose-volume histogram (DVH) constraint and an equivalent uniform dose (EUD) score strategy that aim directly for better compliance with original treatment plan intent. All strategies were reformulated in terms of a score function that reflected treatment plan intent. A retrospective study was conducted on 5 prostate patients (7-field conformal, 79.8 Gy, 42 fractions). PTV margins were 10 mm except in the posterior direction (7 mm). The original treatment plan intent for these patients was defined using a set of DVH constraints. The results show that the on-line setup correction strategy based on a fixed action level of 3 mm resulted in a considerable correction workload. For larger action levels, a dose benefit (in terms of EUD) in the rectum and bladder was observed for all patients which is clinically "fortuitous" but difficult to take advantage of. In contrast, the application of the two novel strategies generally resulted in a controlled decrease of the dose to the rectum and the bladder with a smaller workload. It is concluded that using information about target anatomy and the planned dose distribution allows the design of specific correction strategies that are better tailored to the individual patient and that comply effectively with initial treatment plan intent.
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 ».