A particle filter motion prediction algorithm based on an autoregressive model for real-time MRI-guided radiotherapy of lung cancer
Notice bibliographique
Résumé
Abstract This work introduces a 2D motion prediction algorithm for lung tumors applied to dynamic MR images that combines intrafractional tumor deformations. It is developed in the context of MR-linac treatments and evaluates uniform and patient-specific margins about the gross tumor volume to optimize the tumor coverage. Seven early stage non-small cell lung cancer patients were imaged in treatment position with a 1.5 T magnetic resonance using a balanced steady-state free precession sequence for one minute at a rate of four images per second and were instructed to breathe normally. The particle filter, in combination with the autoregressive model, is used to sequentially track and predict the tumor position 250 ms in the future from the current image. In addition, the autocontour extracted from a previous study (Bourque et al 2016 Med. Phys. 43 5161–9) is projected to the predicted position and various margins are evaluated. Averaged over all patients, the root mean square errors are (1.3 ± 0.5) mm and (2.0 ± 0.8) mm with and without prediction, respectively, and the difference in centroid position is (1.1 ± 0.4) mm with the prediction. The addition of the prediction algorithm leads to inferior errors for all cases. With such predictor, enlarging the propagated contour by a uniform 2 mm margin leads to a minimum recall of 97% over the entire patient population. Considering patient-specific margins based on 2 σ of the Gaussian distribution around the mean error, the margins vary from 0.8 to 3.0 mm in anterior–posterior direction and from 1.2 to 3.2 mm in the superior–inferior direction. This study concludes that the advantage of such prediction algorithm highly depends on the tumor motion characteristics. For both uniform and patient-specific margins evaluation, smaller treatment margins could be used when combined to an accurate tracking and motion prediction algorithm. These results could offer guidance for future MR-guided lung tumor 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».