Treatment planning optimization with beam motion modeling for dynamic arc delivery of SBRT using Cyberknife with multileaf collimation
Notice bibliographique
Résumé
PURPOSE: The use of dynamic arcs for delivery of stereotactic body radiation therapy (SBRT) on Cyberknife is investigated, with a view to improving treatment times. This study investigates the required modeling of robot and multileaf collimator (MLC) motion between control points in the trajectory and then uses this to develop an optimization method for treatment planning of a dynamic arc with Cyberknife. The resulting plans are compared in terms of dose-volume histograms and estimated treatment times with those produced by a conventional beam arrangement. METHODS: Five SBRT patient cases (prostate A - conventional, prostate B - brachytherapy-type, lung, liver, and partial left breast) were retrospectively studied. A suitable arc trajectory with control points spaced at 5° was proposed and treatment plans were produced for typical clinical protocols. The optimization consisted of a fluence optimization, segmentation, and direct aperture optimization using a gradient descent method. Dose delivered by the moving MLC was either taken to be the dose delivered discretely at the control points or modeled using effective fluence delivered between control points. The accuracy of calculated dose was assessed by recalculating after optimization using five interpolated beams and 100 interpolated apertures between each optimization control point. The resulting plans were compared using dose-volume histograms and estimated treatment times with those for a conventional Cyberknife beam arrangement. RESULTS: If optimization is performed based on discrete doses delivered at the arc control points, large differences of up to 40% of the prescribed dose are seen when recalculating with interpolation. When the effective fluence between control points is taken into account during optimization, dosimetric differences are <2% for most structures when the plans are recalculated using intermediate nodes, but there are differences of up to 15% peripherally. Treatment plan quality is comparable between the arc trajectory and conventional body path. All plans meet the relevant clinical goals, with the exception of specific structures which overlap with the planning target volume. Median estimated treatment time is 355 s (range 235-672 s) for arc delivery and 675 s (range 554-1025 s) for conventional delivery. CONCLUSIONS: The method of using effective fluence to model MLC motion between control points is sufficiently accurate to provide for accurate inverse planning of dynamic arcs with Cyberknife. The proposed arcing method produces treatment plans with comparable quality to the body path, with reduced estimated treatment delivery time.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».