TU‐E‐ValB‐07: A Segmentation and Leaf Sequencing Algorithm for IMAT
Notice bibliographique
Résumé
Purpose: To develop an intensity segmentation and leaf sequencing algorithm specifically for intensity‐modulated arc therapy (IMAT), which can be applied to optimized intensity patterns derived from existing commercial IMRT inverse planning software. Methods and Materials: Three phantom cases, as well as a clinical case were planned using a Hi‐Art II (Tomotherapy Inc, WI.) planning station. The end of planning sinograms were then extracted and inputted into our IMAT conversion algorithm. The number of required arcs, deliverable MLC segments for each arc and the relative intensity weighting of each arc were outputted. The number of arcs (modulation) could be controlled by a user parameter, α. The resulting MLC segments were then fed into a fast monte‐carlo dose calculation algorithm, NXEGS (NumeriX, LLC) to obtain 3D dose distributions. Dose statistics (max, min, mean) and dose volume histograms of relevant structures were calculated and compared against the results generated by the Hi‐Art II system. Results: Each plan was converted in under three minutes on a typical desktop PC, with the arc numbers varying between 4 and 15 360° arcs. Qualitatively, the dose distributions obtained from the IMAT plans were similar to the tomotherapy results, as well as planned doses. Quantitatively, the IMAT plans were slightly degraded, with the average dose to normal structures being 7.5% higher for IMAT vs. tomotherapy. However, the IMAT plans generally met planned values, being 9.1% below for maximum doses to normal structures. The number of arcs and therefore the resulting dose distribution could be varied according to α. Conclusions: IMAT segmentation and leaf sequencing produced deliverable IMAT MLC segments and relative arc weights directly from Hi‐Art II optimized plans. The algorithm was computationally efficient, and produced similar dose distributions. Additional optimization could improve resulting dose distributions further. IMAT back‐up for tomotherapy is another potential application.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».