Region‐of‐interest intra‐arc MV imaging to facilitate sub‐mm positional accuracy with minimal imaging dose during treatment deliveries of small cranial lesions
Notice bibliographique
Résumé
Abstract Purpose To automate the generation of region‐of‐interest (ROI) apertures for use with megavoltage imaging for online positional corrections during cranial stereotactic radiosurgery. Materials and methods Digitally reconstructed radiographs (DRRs) were created for a 3D‐printed skull phantom at 5 degree gantry angle increments for a three‐arc beam arrangement. At each angle, 3000 random rectangular apertures were generated, and 100 shifts on a grid were applied to the anatomy within the frame. For all shifts, the mutual information (MI) between the shifted and unshifted DRR was calculated to derive an average MI gradient. The top 10% of apertures that minimized registration errors were overlaid and discretely thresholded to generate imaging plans. Imaging was acquired with the skull while implementing simulated patient motion on a linac. Control point‐specific couch motions were derived to align the skull to its planned positioning. Results Apertures with a range of repositioning errors less than 0.1 mm possessed a 42% larger average MI gradient when compared with apertures with a range greater than 1 mm. Dose calculations with Monte Carlo exhibited an 84% reduction in the dose received by 50% of the skull with the 50% thresholded plan when compared to a constant 22 × 22 cm 2 imaging plan. For all different imaging plans (with and without motion), the calculated median 3D‐errors with respect to the tracking of a metal‐BB fiducial positioned at isocenter in the skull were sub‐mm except for the 80% thresholded plan. Conclusions Sub‐mm positional errors are achievable with couch motions derived from control point–specific ROI imaging. Smaller apertures that conform to an anatomical ROI can be utilized to minimize the imaging dose incurred at the expense of larger errors.
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) | 0,001 | 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 | 0,001 |
| 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 ».