Maximizing the potential of direct aperture optimization through collimator rotation
Notice bibliographique
Résumé
Intensity-modulated radiation therapy (IMRT) treatment plans are conventionally produced by the optimization of fluence maps followed by a leaf sequencing step. An alternative to fluence based inverse planning is to optimize directly the leaf positions and field weights of multileaf collimator (MLC) apertures. This approach is typically referred to as direct aperture optimization (DAO). It has been shown that equivalent dose distributions may be generated that have substantially fewer monitor units (MU) and number of apertures compared to fluence based optimization techniques. Here we introduce a DAO technique with rotated apertures that we call rotating aperture optimization (RAO). The advantages of collimator rotation in IMRT have been shown previously and include higher fluence spatial resolution, increased flexibility in the generation of aperture shapes and less interleaf effects. We have tested our RAO algorithm on a complex C-shaped target, seven nasopharynx cancer recurrences, and one multitarget nasopharynx carcinoma patient. A study was performed in order to assess the capabilities of RAO as compared to fixed collimator angle DAO. The accuracy of fixed and rotated collimator aperture delivery was also verified. An analysis of the optimized treatment plans indicates that plans generated with RAO are as good as or better than DAO while maintaining a smaller number of apertures and MU than fluence based IMRT. Delivery verification results show that RAO is less sensitive to tongue and groove effects than DAO. Delivery time is currently increased due to the collimator rotation speed although this is a mechanical limitation that can be eliminated in the future.
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 ».