Treatment Planning Methods for Dose Painting by Numbers Treatment in Gamma Knife Radiosurgery
Notice bibliographique
Résumé
Purpose: Dose painting radiation therapy delivers a nonuniform dose to tumors to account for heterogeneous radiosensitivity. With recent and ongoing development of Gamma Knife machines making large-volume brain tumor treatments more practical, it is increasingly feasible to deliver dose painting treatments. The increased prescription complexity means automated treatment planning is greatly beneficial, and the impact of dose painting on stereotactic radiosurgery (SRS) plan quality has not yet been studied. This research investigates the plan quality achievable for Gamma Knife SRS dose painting treatments when using optimization techniques and automated isocenter placement in treatment planning. Methods and Materials: Dose painting prescription functions with varying parameters were applied to convert voxel image intensities to prescriptions for 10 sample cases. To study achievable plan quality and optimization, clinically placed isocenters were used with each dose painting prescription and optimized using a semi-infinite linear programming formulation. To study automated isocenter placement, a grassfire sphere-packing algorithm and a clinically available Leksell gamma plan isocenter fill algorithm were used. Plan quality for each optimized treatment plan was measured with dose painting SRS metrics. Results: Optimization can be used to find high quality dose painting plans, and plan quality is affected by the dose painting prescription method. Polynomial function prescriptions show more achievable plan quality than sigmoid function prescriptions even with high mean dose boost. Automated isocenter placement is shown as a feasible method for dose painting SRS treatment, and increasing the number of isocenters improves plan quality. The computational solve time for optimization is within 5 minutes in most cases, which is suitable for clinical planning. Conclusions: The impact of dose painting prescription method on achievable plan quality is quantified in this study. Optimization and automated isocenter placement are shown as possible treatment planning methods to obtain high quality plans.
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 ».