Comprehensive fluence delivery optimization with multileaf collimation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract We propose a novel comprehensive model of the dynamic multileaf collimator (MLC) sequencing problem under the sliding window technique. While the majority of research regarding MLC sequencing has lain dormant for years, leaf sequencing is currently done via ‘black-box’ implementations in clinical cancer treatment planning software. As such, it is unclear which leaf motion and fluence transmission parameters are included in these models, given their widely varying analytic and heuristic treatment in the existing literature. We hypothesize that an explicit, comprehensive model may fill an essential role in further research into intensity modulated radiation therapy and volumetric modulated arc therapy. To this end, we consolidate considerations of leaf motion (maximum velocity, finite acceleration), transmission (through-leaf, inter-leaf via tongue and groove) and novel formulations for penumbra across both dimensions of the field. In addition, we formulate our model to utilize these varying transmission effects to optimally sequence leaves with the goal of creating a fluence with pixel size smaller than the narrowest leaf width. To evaluate the proposed model, we have optimized MLC leaf sequencing on 25 prostate, 25 head and neck, 25 pelvis and 35 breast cancer fluence fields. The output sequenced fluences with and without constraints were compared with the corresponding reference fluences, respectively, by the performance of root mean square error and gamma index analysis. The acceptance criteria of 0.5%/0.5 mm and 1%/1 mm were used with a 0%, 5% and 10% low intensity threshold, respectively. Under the consideration of aforementioned constraints, the model can sequence the reference fluence successfully with the percentage of gamma passing rate ranging from 82.23 ± 3.89 to 99.78 ± 0.16 at 0.5%/0.5 mm and from 88.24 ± 1.89 to 99.98 ± 0.03 at 1%/1 mm across all low intensity thresholds and four treatment sites.
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.
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 découle