Feasibility study for marker‐based VMAT plan optimization toward tumor tracking
Notice bibliographique
Résumé
This work investigates the incorporation of fiducial marker-based visibility parameters into the optimization of volumetric modulated arc therapy (VMAT) plans. We propose that via this incorporation, one may produce treatment plans that aid real-time tumor tracking approaches employing exit imaging of the therapeutic beam (e.g., via EPID), in addition to satisfying purely dosimetric requirements. We investigated the feasibility of this approach for a thorax and prostate site using optimization software (MonArc). For a thorax phantom and a lung patient, three fiducial markers were inserted around the tumor and VMAT plans were created with two partial arcs and prescription dose of 48 Gy (4 fractions). For a prostate patient with three markers in the prostate organ, a VMAT plan was created with two partial arcs and prescription dose 72.8 Gy (28 fractions). We modified MonArc to include marker-based visibility constraints ("hard"and "soft"). A hard constraint (HC) imposes full visibility for all markers, while a soft constraint (SC) penalizes visibility for specific markers in the beams-eye-view. Dose distributions from constrained plans (HC and SC) were compared to the reference nonconstrained (NC) plan using metrics including conformity index (CI), homogeneity index (HI), gradient measure (GM), and dose to 95% of planning target volume (PTV) and organs at risk (OARs). The NC plan produced the best target conformity and the least doses to the OARs for the entire dataset, followed by the SC and HC plans. Using SC plans provided acceptable dosimetric tolerances for both the target and OARs. However, OAR doses may be increased or decreased based on the constrained marker location and number of trackable markers. In conclusion, we demonstrate that visibility constraints can be incorporated into the optimization together with dosimetric objectives to produce treatment plans satisfying both objectives. This approach should ensure greater clinical success when applying real-time tracking algorithms, using VMAT 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 | 0,001 | 0,004 |
| 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 | 0,000 | 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 ».