Automated review of patient position in DIBH breast hybrid IMRT with EPID images
Notice bibliographique
Résumé
Deep Inspiration Breath Hold (DIBH) is a respiratory-gating technique adopted in radiation therapy to lower cardiac irradiation. When performing DIBH treatments, it is important to have a monitoring system to ensure the patient's breath hold level is stable and reproducible at each fraction. In this retrospective study, we developed a system capable of monitoring DIBH breast treatments by utilizing cine EPID images taken during treatment. Setup error and intrafraction motion were measured for all fractions of 20 left-sided breast patients. All patients were treated with a hybrid static-IMRT technique, with EPID images from the static fields analyzed. Ten patients had open static fields and the other ten patients had static fields partially blocked with the multileaf collimator (MLC). Three image-processing algorithms were evaluated on their ability to accurately measure the chest wall position (CWP) in EPID images. CWP measurements were recorded along a 61-pixel region of interest centered along the midline of the image. The median and standard deviation of the CWP were recorded for each image. The algorithm showing the highest agreement with manual measurements was then used to calculate intrafraction motion and setup error. To measure intrafraction motion, the median CWP of the first EPID frame was compared with that of the subsequent EPID images of the treatment. The maximum difference was recorded as the intrafraction motion. The setup error was calculated as the difference in median CWP between the MV DRR and the first EPID image of the lateral tangential field. The results showed that the most accurate image-processing algorithm can identify the chest wall within 1.2 mm on both EPID and MV DRR images, and measures intrafraction motion and setup errors within 1.4 mm.
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 | 0,001 | 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 ».