Development and clinical implementation of eclipse scripting‐based automated patient‐specific collision avoidance software
Notice bibliographique
Résumé
PURPOSE: Increased use of Linac-based stereotactic radiosurgery (SRS), which requires highly noncoplanar gantry trajectories, necessitates the development of efficient and accurate methods of collision detection during the treatment planning process. This work outlines the development and clinical implementation of a patient-specific computed tomography (CT) contour-based solution that utilizes Eclipse Scripting to ensure maximum integration with clinical workflow. METHODS: The collision detection application uses triangle mesh structures of the gantry and couch, in addition to the body contour of the patient taken during CT simulation, to virtually simulate patient treatments. Collision detection is performed using Binary Tree Hierarchy detection methods. Algorithm accuracy was first validated for simple cuboidal geometry using a calibration phantom and then extended to an anthropomorphic phantom simulation by comparing the measured minimum distance between structures to the predicted minimum distance for all allowable orientations. The collision space was tested at couch angles every 15° from 90 to 270 with the gantry incremented by 5° through the maximum trajectory. Receiver operating characteristic curve analysis was used to assess algorithm sensitivity and accuracy for predicting collision events. Following extensive validation, the application was implemented clinically for all SRS patients. RESULTS: The application was able to predict minimum distances between structures to within 3 cm. A safety margin of 1.5 cm was sufficient to achieve 100% sensitivity for all test cases. Accuracy obtained was 94.2% with the 5 cm clinical safety margin with 100% true positive collision detection. A total of 88 noncoplanar SRS patients have been currently tested using the application with one collision detected and no undetected collisions occurring. The average time for collision testing per patient was 2 min 58 s. CONCLUSIONS: A collision detection application utilizing patient CT contours was developed and successfully clinically implemented. This application allows collisions to be detected early during the planning process, avoiding patient delays and unnecessary resource utilization if detected during delivery.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».