Proton arc therapy plan optimization with energy layer pre-selection driven by organ at risk sparing and delivery time
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Objective. As proton arc therapy (PAT) approaches clinical implementation, optimizing treatment plans for this innovative delivery modality remains challenging, especially in addressing arc delivery time. Existing algorithms for minimizing delivery time are either optimal but computationally demanding or fast but at the expense of sacrificing many degrees of freedom. In this study, we introduce a flexible method for pre-selecting energy layers (EL) in PAT treatment planning before the actual robust spot weight optimization. Approach. Our EL pre-selection method employs metaheuristics to minimize a bi-objective function, considering a dynamic delivery time proxy and tumor geometrical coverage penalized as a function of selected organs-at-risk crossing. It is capable of parallelizing multiple instances of the problem. We evaluate the method using three different treatment sites, providing a comprehensive dosimetric analysis benchmarked against dynamic proton arc plans generated with early energy layer selection and spot assignment (ELSA) and IMPT plans in RayStation TPS. Result. The algorithm efficiently generates Pareto-optimal EL pre-selections in approximately 5 min. Subsequent PAT treatment plans derived from these selections and optimized within the TPS, demonstrate high-quality target coverage, achieving a high conformity index, and effective sparing of organs at risk. These plans meet clinical goals while achieving a 20%–40% reduction in delivery time compared to ELSA plans. Significance. The proposed algorithm offers speed and efficiency, producing high-quality PAT plans by placing proton arc sectors to efficiently reduce delivery time while maintaining good target coverage and healthy tissues sparing.
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.
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 découle