کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10434928 910788 2016 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Ensemble framework based real-time respiratory motion prediction for adaptive radiotherapy applications
ترجمه فارسی عنوان
پیش بینی حرکت تنفسی در زمان واقعی برای برنامه های کاربردی پرتودرمانی سازگار است
کلمات کلیدی
رادیوتراپی تطبیقی ​​حرکتی، پیش بینی حرکت تنفس، یادگیری گروهی نقشه برداری غیر خطی،
ترجمه چکیده
درمان موفقیت آمیز تومورها با رادیوتراپی تطبیقی ​​حرکتی نیاز به پیش بینی دقیق از حرکت تنفسی دارد، ایده آل با افق پیش بینی بزرگتر از زمان تأخیر در سیستم پرتودرمانی. پیش بینی دقیق حرکت تنفسی، با وجود وجود بی نظمی ها و متغیرهای درون ردیابی، مانند ریزش پایه و تغییرات زمانی در الگوی فرکانس اساسی، یک کار بی قید و شرط است. در این مقاله، برای افزایش دقت پیش بینی حرکت تنفسی، ما یک چارچوب گروه بندی رگراسیون انباشته ای را پیشنهاد می کنیم که الگوریتم های پیش بینی حرکت تنفسی را یکپارچه می کند. ما بیشتر به دو مسئله مهم برای ایجاد یک چارچوب گروه موفق می پردازیم: (1) انتخاب روش های پیش بینی مناسب برای گروه (روش های سطح 0) در میان بهترین روش های پیش بینی موجود؛ و (2) پیدا کردن یک رویکرد تعمیم مطلوب است که می تواند از مزایای نسبی روش های انتخاب شده سطح 0 بهره ببرد. اثربخشی چارچوب انسانی توسعه یافته با اثرات حرکت واقعی تنفسی حاصل از 31 بیمار تحت درمان بررسی شده است. نتایج نشان می دهد که چارچوب گروه توسعه یافته عملکرد پیش بینی را به طور قابل توجهی نسبت به بهترین روش های موجود بهبود می بخشد.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی پزشکی
پیش نمایش مقاله
پیش بینی حرکت تنفسی در زمان واقعی برای برنامه های کاربردی پرتودرمانی سازگار است
چکیده انگلیسی
Successful treatment of tumors with motion-adaptive radiotherapy requires accurate prediction of respiratory motion, ideally with a prediction horizon larger than the latency in radiotherapy system. Accurate prediction of respiratory motion is however a non-trivial task due to the presence of irregularities and intra-trace variabilities, such as baseline drift and temporal changes in fundamental frequency pattern. In this paper, to enhance the accuracy of the respiratory motion prediction, we propose a stacked regression ensemble framework that integrates heterogeneous respiratory motion prediction algorithms. We further address two crucial issues for developing a successful ensemble framework: (1) selection of appropriate prediction methods to ensemble (level-0 methods) among the best existing prediction methods; and (2) finding a suitable generalization approach that can successfully exploit the relative advantages of the chosen level-0 methods. The efficacy of the developed ensemble framework is assessed with real respiratory motion traces acquired from 31 patients undergoing treatment. Results show that the developed ensemble framework improves the prediction performance significantly compared to the best existing methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Medical Engineering & Physics - Volume 38, Issue 8, August 2016, Pages 749-757
نویسندگان
, , , ,