Physically constrained voxel‐based penalty adaptation for ultra‐fast IMRT planning
Notice bibliographique
Résumé
Conventional treatment planning in intensity-modulated radiation therapy (IMRT) is a trial-and-error process that usually involves tedious tweaking of optimization parameters. Here, we present an algorithm that automates part of this process, in particular the adaptation of voxel-based penalties within normal tissue. Thereby, the proposed algorithm explicitly considers a priori known physical limitations of photon irradiation. The efficacy of the developed algorithm is assessed during treatment planning studies comprising 16 prostate and 5 head and neck cases. We study the eradication of hot spots in the normal tissue, effects on target coverage and target conformity, as well as selected dose volume points for organs at risk. The potential of the proposed method to generate class solutions for the two indications is investigated. Run-times of the algorithms are reported. Physically constrained voxel-based penalty adaptation is an adequate means to automatically detect and eradicate hot-spots during IMRT planning while maintaining target coverage and conformity. Negative effects on organs at risk are comparably small and restricted to lower doses. Using physically constrained voxel-based penalty adaptation, it was possible to improve the generation of class solutions for both indications. Considering the reported run-times of less than 20 s, physically constrained voxel-based penalty adaptation has the potential to reduce the clinical workload during planning and automated treatment plan generation in the long run, facilitating adaptive radiation treatments.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».