Development of a Knowledge-based Planning Pipeline for Gamma Knife Radiosurgery
Notice bibliographique
Résumé
Gamma Knife (GK) radiosurgery is a form of radiation treatment that utilizes narrowradiation beams to precisely treat abnormalities within the brain. Treatment planning for GK is traditionally performed using either forward planning, where planners manually configure shots to create a desired dose distribution, or inverse planning, where dose distributions are optimized based on multiple clinical objectives. However, both approaches are limited by their reliance on planner experience, in addition to several other drawbacks. To improve upon the current GK treatment planning process, a knowledge-based planning (KBP) pipeline was developed. This research was conducted in three stages: 1. Developing a novel 3D dose prediction methodology for GK. Machine learning methods are an integral part of most processes that generate personalized plans via KBP. The dose prediction model uses previous plans to learn the relationship between delineated medical images and dose to predict patient-specific dose distributions. It forms the first stage of the overall GK KBP pipeline. 2. Implementing an inverse optimization and inverse planning model. An inverse optimization model is first solved to estimate the objective function weights for the corresponding inverse planning model which would make the predicted dose optimal. These weights were then used to re-solve the inverse planning problem, generating a corresponding treatment plan that aligns with the initial predicted dose. This process serves as the second stage of the overall GK KBP pipeline. 3. Selecting appropriate isocenters using optimization. Isocenter placement has a significant impact on dose conformity and plan quality. To enhance plans generated using the KBP pipeline and reduce the need for manual intervention, the inverse optimization model and inverse planning model were extended to include optimization of isocenter locations, selected from a candidate set. The resulting KBP pipeline streamlines the GK planning process and minimizes the dependence on planner experience. It is capable of producing high quality treatment plans similar to or superior than their clinical counterparts.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».