Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối ưu hình dạng khẩu độ trong lập kế hoạch xạ trị điều biến cường độ
Tóm tắt
Yếu tố gradient của bản đồ gradient khẩu độ được sử dụng trực tiếp để tạo ra hình dạng khẩu độ mà không cần điều chế. Quá trình này có thể được so sánh với việc chọn hướng giảm dần gradient âm để tối ưu hóa hình dạng khẩu độ chung. Hướng giảm dần gradient âm phù hợp hơn trong các điều kiện cục bộ và có tốc độ hội tụ chậm. Để khắc phục những hạn chế này, nghiên cứu này đã giới thiệu gradient đối conjug vào tối ưu hóa hình dạng khẩu độ dựa trên điều chế gradient. Đầu tiên, bản đồ gradient khẩu độ của chùm tia hiện tại được thu thập cho phương pháp tối ưu hóa hình dạng khẩu độ đã đề xuất, và các gradient của bản đồ gradient khẩu độ được điều chế bằng cách sử dụng gradient đối conjug để tạo thành một bản đồ gradient đã điều chế. Hình dạng khẩu độ được tạo ra dựa trên bản đồ gradient đã điều chế. Phương pháp tối ưu hóa đã đề xuất không thay đổi nghiệm tối ưu của bài toán tối ưu hóa gốc, nhưng thay đổi hướng tìm kiếm lặp lại khi tạo ra hình dạng khẩu độ. Hiệu suất của phương pháp đã đề xuất được xác minh bằng các trường hợp ung thư đầu-cổ, và ung thư tuyến tiền liệt. Kết quả tối ưu hóa cho thấy phương pháp tối ưu hóa đã đề xuất bảo vệ tốt hơn các cơ quan có nguy cơ và giảm nhanh giá trị hàm mục tiêu bằng cách đảm bảo phân bố liều tương tự như thể tích mục tiêu lập kế hoạch. So với các phương pháp đối chứng, khả năng gặp phải biến chứng mô bình thường thu được bởi phương pháp tối ưu hóa đã đề xuất giảm tới 4,61%, và thời gian tối ưu hóa của phương pháp đã đề xuất giảm trung bình 5,26% cho mười trường hợp ung thư. Tính hiệu quả và sự tăng tốc của phương pháp đã đề xuất được xác minh thông qua các thí nghiệm so sánh. Theo các thí nghiệm so sánh, kết quả chỉ ra rằng phương pháp tối ưu hóa đã đề xuất phù hợp hơn cho các ứng dụng lâm sàng. Nó khả thi cho việc tối ưu hóa hình dạng khẩu độ liên quan đến phương pháp đã đề xuất.
Từ khóa
#tối ưu hóa hình dạng khẩu độ #xạ trị điều biến cường độ #gradient điều chế #ung thư #thực nghiệm so sánhTài liệu tham khảo
D.M. Shepard, M.A. Earl, X.A. Li et al., Direct aperture optimization: a turnkey solution for step-and-shoot IMRT. Med. Phys. 29, 1007–1018 (2002). https://doi.org/10.1118/1.1477415
Y.J. Li, J. Yao, D.Z. Yao, Genetic algorithm based deliverable segments optimization for static intensity-modulated radiotherapy. Phys. Med. Biol. 48, 3353–3374 (2003). https://doi.org/10.1088/0031-9155/48/20/007
M.A. Earl, M.K.N. Afghan, C.X. Yu et al., Jaws-only IMRT using direct aperture optimization. Med. Phys. 34, 307–314 (2007). https://doi.org/10.1118/1.2403966
B. Hårdemark, A. Liander, H. Rehbinder et al., Direct Machine Parameter Optimization with Ray Machine in Pinnacle (Raysearch Lab, Sweden, White Pape, 2003)
H.E. Romeijn, R.K. Ahuja, J.F. Dempsey et al., A column generation approach to radiation therapy treatment planning using aperture modulation. SIAM J. Optim. 15, 838–862 (2005). https://doi.org/10.1137/040606612
F. Preciado-Walters, M.P. Langer, R.L. Rardin et al., Column generation for IMRT cancer therapy optimization with implementable segments. Ann. Oper. Res. 148, 65–79 (2006). https://doi.org/10.1007/s10479-006-0080-1
Z.F. Dai, T.Y. Li, M. Yang, Forecasting stock return volatility: the role of shrinkage approaches in a data-rich environment. J. Forecast. 41, 980–996 (2022). https://doi.org/10.1002/for.2841
Z.F. Dai, H.Y. Zhu, Dynamic risk spillover among crude oil, economic policy uncertainty and Chinese financial sectors. Int. Rev. Econ. Finance 83, 421–450 (2023). https://doi.org/10.1016/j.iref.2022.09.005
Z.F. Dai, X.T. Zhang, Climate policy uncertainty and risks taken by the bank: evidence from China. Int. Rev. Financ. Anal. 87, 102579 (2023). https://doi.org/10.1016/j.irfa.2023.102579
R. Cao, X. Pei, H. Zheng et al., Direct aperture optimization based on genetic algorithm and conjugate gradient in intensity modulated radiation therapy. Chin. Med. J. 127, 4152–4153 (2014). https://doi.org/10.3760/cma.j.issn.0366-6999.20130644
F. Carlsson, A. Forsgren, On column generation approaches for approximate solutions of quadratic programs in intensity-modulated radiation therapy. Ann. Oper. Res. 223, 471–481 (2014). https://doi.org/10.1007/s10479-013-1360-1
R.H. Byrd, P. Lu, J. Nocedal et al., A limited memory algorithm for bound constrained optimization. SIAM J. Sci. Comput. 16, 1190–1208 (1995). https://doi.org/10.1137/0916069
C. Zhu, R.H. Byrd, P. Lu et al., Algorithm 778: L-BFGS-B: Fortran subroutines for large-scale bound-constrained optimization. ACM Trans. Math. Softw. 23, 550–560 (1997). https://doi.org/10.1145/279232.279236
J.L. Morales, J. Nocedal, Remark on “Algorithm 778: L-BFGS-B: Fortran subroutines for large-scale bound constrained optimization’’. ACM Trans. Math. Softw. 38, 1–4 (2011). https://doi.org/10.1145/2049662.2049669
M.R. Hestenes, E.L. Stiefel, Methods of conjugate gradients for solving linear systems. J. Res. Natl. Bureau Standards 49, 409–436 (1952). https://doi.org/10.6028/jres.049.044
R. Fletcher, C.M. Reeves, Function minimization by conjugate gradients. Comput. J. 7, 149–154 (1964). https://doi.org/10.1093/comjnl/7.2.149
E. Polak, G. Ribiere, Note surla convergence des methodes de directions conjuguees. Rev Francaise Informat Recherche Opertionelle 3, 35–43 (1969). https://doi.org/10.1051/m2an/196903r100351
B.T. Polyak, The conjugate gradient method in extreme problems. USSR Comput. Math. Math. Phys. 9, 94–112 (1969). https://doi.org/10.1016/0041-5553(69)90035-4
Y.H. Dai, Y. Yuan, A nonlinear conjugate gradient method with a strong global convergence property. SIAM J. Optim. 10, 177–182 (1999). https://doi.org/10.1137/S1052623497318992
R. Fletcher, in Practical Methods of Optimization. Unconstrained Optimization, Vol. 1 (Wiley, New York, 1987)
Y. Liu, C. Storey, Efficient generalized conjugate gradient algorithms, part 1: theory. J. Optim. Theory Appl. 69, 129–137 (1991). https://doi.org/10.1007/bf00940464
W. Hager, H. Zhang, A survey of nonlinear conjugate gradient methods. Pac. J. Optim. 2, 35–58 (2006)
L. Zhang, W. Zhou, D. Li, A descent modified Polak–Ribiere–Polyak conjugate gradient method and its global convergence. IMA J. Numer. Anal. 26, 629–640 (2006). https://doi.org/10.1093/imanum/drl016
M. Li, H. Liu, Z. Liu, A new family of conjugate gradient methods for unconstrained optimization. J. Appl. Math. Comput. 58, 219–234 (2018). https://doi.org/10.1007/s12190-017-1141-0
P. Mtagulwa, P. Kaelo, An efficient modified PRP-FR hybrid conjugate gradient method for solving unconstrained optimization problems. Appl. Numer. Math. 145, 111–120 (2019). https://doi.org/10.1016/j.apnum.2019.06.003
A. Ahnesjö, M. Saxner, A. Trepp, A pencil beam model for photon dose calculation. Med. Phys. 19, 263–273 (1992). https://doi.org/10.1118/1.596856
J.O. Deasy, A.I. Blanco, V.H. Clark, CERR: a computational environment for radiotherapy research. Med. Phys. 30, 979–985 (2003). https://doi.org/10.1118/1.1568978
G. Mu, E. Ludlum, P. Xia, Impact of MLC leaf position errors on simple and complex IMRT plans for head and neck cancer. Phys. Med. Biol. 53, 77–88 (2008). https://doi.org/10.1088/0031-9155/53/1/005
Q. Wu, R. Mohan, Algorithms and functionality of an intensity modulated radiotherapy optimization system. Med. Phys. 27, 701–711 (2000). https://doi.org/10.1118/1.598932
M.L. Kessler, D.L. Mcshan, M.A. Epelman et al., Costlets: a generalized approach to cost functions for automated optimization of IMRT treatment plans. Optim. Eng. 6, 421–448 (2005). https://doi.org/10.1007/s11081-005-2066-2
L.B. Marks, E.D. Yorke, A. Jackson et al., Use of normal tissue complication probability models in the clinics. Int. J. Radiat. Oncol. 76, S10–S19 (2010). https://doi.org/10.1016/j.ijrobp.2009.07.1754
A. Eisbruch, R.K. Ten Haken, H.M. Kim et al., Dose, volume, and function relationships in parotid salivary glands following conformal and intensity-modulated irradiation of head and neck cancer. Int. J. Radiat. Oncol. 45, 577–587 (1999). https://doi.org/10.1016/S0360-3016(99)00247-3
C. Burman, G.J. Kutcher, B. Emami et al., Fitting of normal tissue tolerance data to an analytic function. Int. J. Radiat. Oncol. 21, 123–135 (1991). https://doi.org/10.1016/0360-3016(91)90172-Z
E. Dale, T.P. Hellebust, A. Skjønsberg et al., Modeling normal tissue complication probability from repetitive computed tomography scans during fractionated high-dose-rate brachytherapy and external beam radiotherapy of the uterine cervix. Int. J. Radiat. Oncol. 47, 963–971 (2000). https://doi.org/10.1016/S0360-3016(00)00510-1
S.T.H. Peeters, M.S. Hoogeman, W.D. Heemsbergen et al., Rectal bleeding, fecal incontinence, and high stool frequency after conformal radiotherapy for prostate cancer: normal tissue complication probability modeling. Int. J. Radiat. Oncol. 66, 11–19 (2006). https://doi.org/10.1016/j.ijrobp.2006.03.034
A. van’t Riet, A.C. Mak, M.A. Moerland et al., A conformation number to quantify the degree of conformality in brachytherapy and external beam irradiation: application to the prostate. Int. J. Radiat. Oncol. 37, 731–736 (1997). https://doi.org/10.1016/S0360-3016(96)00601-3
N. Hodapp, The ICRU report 83: prescribing, recording and reporting photon-beam intensity-modulated radiation therapy (IMRT). Strahlenther Onkol. 188, 97–99 (2012). https://doi.org/10.1007/s00066-011-0015-x
Y. Luo, S.C. Huang, H. Zhang et al., Assessment of the induced radioactivity in the treatment room of the heavy-ion medical machine in Wuwei using PHITS. Nucl. Sci. Tech. 34, 29 (2023). https://doi.org/10.1007/s41365-023-01181-8
Y.Q. Yang, W.C. Fang, X.X. Huang et al., Static superconducting gantry-based proton CT combined with X-ray CT as prior image for FLASH proton therapy. Nucl. Sci. Tech. 34, 11 (2023). https://doi.org/10.1007/s41365-022-01163-2