A comparison of voxel sampling approaches for intensity‐modulated radiation therapy
Notice bibliographique
Résumé
BACKGROUND: Intensity-modulated radiation therapy (IMRT) treatment planning technology has made personalized cancer care a reality for millions of patients in recent decades. The complexity of these tools, however, often leads to intractability and suboptimal mitigation strategies in otherwise well-optimized plans. An example of such a strategy is reducing data granularity through voxel sampling. PURPOSE: While the practice of sampling is nearly universal in treatment planning, methods vary widely across studies and clinical practices, and few studies directly compare these approaches. The goal of this study is to examine the relative quality loss of some of the more common voxel sampling methods proposed in the literature. METHODS: Five core sampling approaches identified from the literature, and their variations, were distilled into eight distinct sampling methods. A comparative framework, with multiple fluence map optimization models was developed into a testing pipeline built on MATLAB, C++, and CPLEX. This pipeline was then used to evaluate the trade-off between computational complexity and information loss across all sampling approaches. The pipeline was run on the open-source CORT dataset as well as a retrospective clinical lung, prostate, chest wall, esophagus and neck studies, at sampling rates that disregarded roughly 87.5%, 93.7%, and 96.9% of patient voxels, respectively. RESULTS: -means sampling were also beneficial in certain cases, but experienced high run times or worse information loss in others. CONCLUSIONS: The proposed framework was successfully able to inform the selection of sampling approach based on patient data characteristics in the IMRT setting. Future extensions could lead to enhanced sampling methods as well as methodological expansions to more radiation treatment modalities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».