,

مقاله یادگیری بهینه‌سازی طرح‌های پرتودرمانی با استفاده از مدل انتشار نقشه‌های شار و بهینه‌سازی مبتنی بر LSTM

تومان249,950

پرتودرمانی حجمی تعدیل‌شده قوسی (VMAT) سنگ بنای پرتودرمانی مدرن است که امکان تابش تومور با تطابق بالا و حفظ بافت سالم را فراهم می‌کند. با این حال، برنامه‌ریزی آن شامل حل بهینه‌سازی معکوس و تودرتو برای …

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000083 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

یادگیری بهینه‌سازی طرح‌های پرتودرمانی با استفاده از مدل انتشار نقشه‌های شار و بهینه‌سازی مبتنی بر LSTM

Learning to Optimize Radiotherapy Plans via Fluence Maps Diffusion Model Generation and LSTM-based Optimization

نویسندگان: Isabella Poles, Simon Arberet, Riqiang Gao, Martin Kraus, Marco D. Santambrogio, Florin C. Ghesu, Ali Kamen, Dorin Comaniciu

شناسه منبع: arxiv / 2605.13713

دسته: Computer Vision and Pattern Recognition,Image and Video Processing

چکیده (فارسی)

پرتودرمانی حجمی تعدیل‌شده قوسی (VMAT) سنگ بنای پرتودرمانی مدرن است که امکان تابش تومور با تطابق بالا و حفظ بافت سالم را فراهم می‌کند. با این حال، برنامه‌ریزی آن شامل حل بهینه‌سازی معکوس و تودرتو برای کالیماسیون چندلایه، واحدهای مانیتور و پارامترهای دوز، ضمن اطمینان از سازگاری آن‌ها برای تضمین قابلیت تحویل مکانیکی است. با وجود این، این فرآیند اغلب نیازمند بازبهینه‌سازی مکرر در صورت تغییر پیکربندی درمان است که منجر به زمان برنامه‌ریزی قابل توجهی برای هر بیمار می‌شود. برای حل این مشکلات، ما یک روش یادگیری برای بهینه‌سازی (L2O) مبتنی بر انتشار را برای برنامه‌ریزی VMAT از ابتدا تا انتها معرفی می‌کنیم. یک مدل انتشاری تقطیر شده که تطابق توزیع را یاد می‌گیرد، یک منیفولد عملی بالینی از نقشه‌های فلوانس را می‌آموزد و امکان تولید یک‌باره آن‌ها را فراهم می‌کند. علاوه بر این، یک ماژول L2O مبتنی بر LSTM، دینامیک به‌روزرسانی گرادیان را برای اصلاح سریع نقشه‌های فلوانس به سمت اهداف دوز تجویز شده در زمان استنتاج، می‌آموزد. نتایج تجربی بر روی گروه‌های بالینی و عمومی سرطان پروستات، کارایی، انعطاف‌پذیری و قابلیت تحویل ماشینی برنامه‌ریزی را در مقایسه با برنامه‌ریزهای VMAT موجود از ابتدا تا انتها، بهبود می‌بخشد.

Abstract (English)

Volumetric Modulated Arc Therapy (VMAT) is a cornerstone of modern radiation therapy, enabling highly conformal tumor irradiation and healthy-tissue sparing. Yet, its planning solves inverse and nested optimization for multi-leaf collimators, monitor units and dose parameters, while enforcing their consistency to ensure mechanical deliverability. Nevertheless, this process often requires repeated re-optimization when treatment configurations change, resulting in substantial planning time per patient. To address these problems, we present a diffusion-driven Learning-to-Optimize (L2O) method for end-to-end VMAT planning. A distribution-matching distilled diffusion model learns a clinically feasible manifold of fluence maps, enabling their one-shot generation. On top of this, an LSTM-based L2O module learns gradient update dynamics to swiftly refine fluence maps toward prescribed dose objectives during inference. Experimental results on clinical and public prostate cancer cohorts demonstrate improved planning efficiency, flexibility, and machine deliverability over currently available end-to-end VMAT planners.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله یادگیری بهینه‌سازی طرح‌های پرتودرمانی با استفاده از مدل انتشار نقشه‌های شار و بهینه‌سازی مبتنی بر LSTM”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا