相关实验视频
Updated: Jun 18, 2025
10:35
Stereotactic Radiosurgery for Gynecologic Cancer
Published on: April 17, 2012
18.1K
评估聚类算法在多个目标立体性放射性手术中的有效性
Cheukkai B Hui1, Josephine Chen1, Amir Pourmoghaddas1
1Department of Radiation Oncology, Kaiser Permanente, Dublin, CA, United States of America.
Biomedical physics & engineering express
|July 31, 2024
概括
这项研究引入了一个框架,用于对立体射线手术 (SRS) 中的目标聚类,以提高治疗效率. 在最小化目标-隔离中心距离方面,K-means集群显示出高准确性,提高了SRS规划.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 计算生物学 计算生物学
背景情况:
- 单个异位中心多重目标立体性放射性手术 (SRS) 减少了治疗时间,但可能会因旋转错误造成剂量覆盖问题.
- 聚类目标可以最大限度地减少同心点-目标距离,减轻SRS的旋转不确定性.
研究的目的:
- 引入一个全面的SRS目标聚类框架 (框架) 来评估聚类算法.
- 评估不同集群算法的有效性,以生成高效的SRS目标配置.
主要方法:
- 该框架使用了聚合,加权聚合,k-平均和加权k-平均集群算法.
- 四个优化目标是基于同心-目标距离及其与目标半径的比率来定义的.
- 该框架应用于126个SRS计划,并与粗暴武力地面真相解决方案进行了比较.
主要成果:
- 聚合集群显示,与地面真相 (4.6厘米) 相比,平均最大同心点-目标距离 (4.8厘米) 略高.
- K-平均和加权的k-平均集群显示出与根-平均-平方距离和比率的基本真相密切一致 (精度为0.1).
- 该框架有效地为SRS目标生成了集群,k-means算法表现出卓越的性能.
结论:
- SRS目标集群框架对于优化SRS治疗计划是有效的.
- K-平均值和加权的k-平均值算法对于最小化SRS的不确定性是非常准确的.
- 这项研究是首次研究SRS中最小值和平方和的不确定性聚类算法.
