Towards faster plan adaptation for proton arc therapy using initial treatment plan information
Notice bibliographique
Résumé
Background and Purpose Proton arc therapy (PAT) is an emerging modality delivering continuously rotating proton beams. Current PAT planning approaches are time-consuming, making them unsuitable for online adaptation. This study proposes an accelerated workflow for adapting PAT plans. Materials and Methods The proposed workflow transfers spots from initial computed tomography (CT) to the CT of the day, updates energy layers considering the initial pattern, and re-optimizes selected transferred spots based on their initial weights and impact on the objective function. A retrospective study was conducted on five head and neck patients who underwent plan adaptation on a repeated CT. PAT plans were generated with two different methods on the repeated CT: reference , created de novo, and smart-adapted , generated with the proposed adaptive workflow. Robust optimization was performed for all plans. Results Smart-adapted plans achieved similar mean dose to organs at risk as the reference : the largest median increase of mean dose was 1.9 Gy to the mandible; the median of maximum dose to spinal cord was 0.5 Gy lower for the smart-adapted plans. The median target coverage, i.e. D 98 , to primary tumor and nodes of smart-adapted plans decreased by 0.2 and 0.4 Gy for the nominal case, and 0.4 and 0.6 Gy for the worst-case scenario; all smart-adapted plans met clinical objectives. The smart-adaptation method reduced average planning time from 19184 s to 5626 s, a 3.4-fold improvement. Conclusions Smart-adapted plans achieve similar plan quality to the reference method, while significantly reducing plan generation time for new patient anatomy.
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 ».