Fast stereotactic radiosurgery planning using patient-specific beam angle optimization and automation
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Linac-based stereotactic radiosurgery (SRS) planning for multi-metastatic cases is a complex and intensive process. A manual planning strategy starts with a template-based set of beam angles and applies modifications though a trial and error process. Beam angle optimization uses patient specific geometric heuristics to determine beam angles that provide optimal target coverage and avoid treating through Organs-at-Risk (OARs). This study expands on a collision prediction application developed using an application programming interface, integrating beam angle optimization and collision prediction into a Stereotactic Optimized Automated Radiotherapy (SOAR) planning algorithm. MATERIALS AND METHODS: Twenty-five patient plans, previously treated with SRS for multi-metastatic intracranial tumors, were selected for a retrospective plan study comparing the manual planning strategy to SOAR. The SOAR algorithm was used to select isocenters, table, collimator, and gantry angles, and target groupings for the optimized plans. Dose-volume metrics for relevant OARs and PTVs were compared using double-sided Wilcoxon signed rank tests (α = 0.05). A subset of five patients were included in an efficiency study comparing manual planning times to SOAR automated times. RESULTS: OAR dose metrics compared between planning strategies showed no statistical difference for the dataset of twenty-five plans. Differences in maximum PTV dose and the conformity index were improved for SOAR planning and statistically significant. The median SOAR planning time was 9.8 min compared to 55 min for the manual planning strategy. CONCLUSIONS: SOAR planning was comparable in plan quality to a manual planning strategy with the possibility for greatly improving planning efficiency through automation.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».