論文の概要: Efficient Radiation Treatment Planning based on Voxel Importance

• arxiv url: http://arxiv.org/abs/2405.03880v2
• Date: Fri, 9 Aug 2024 14:49:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 20:10:25.553395
• Title: Efficient Radiation Treatment Planning based on Voxel Importance
• Title（参考訳）: ボクセル重要度に基づく効率的な放射線処理計画
• Authors: Sebastian Mair, Anqi Fu, Jens Sjölund,
• Abstract要約: 本稿では,情報ボクセルの代表的な部分集合のみを用いることで,大規模な最適化問題を削減する手法を提案する。 オープンベンチマークデータに関する実証実験では、最適化時間が大幅に短縮され、オリジナルのものよりも最大50倍速くなった。
• 参考スコア（独自算出の注目度）: 1.9712632719704106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiation treatment planning involves optimization over a large number of voxels, many of which carry limited information about the clinical problem. We propose an approach to reduce the large optimization problem by only using a representative subset of informative voxels. This way, we drastically improve planning efficiency while maintaining the plan quality. Within an initial probing step, we pre-solve an easier optimization problem involving a simplified objective from which we derive an importance score per voxel. This importance score is then turned into a sampling distribution, which allows us to subsample a small set of informative voxels using importance sampling. By solving a - now reduced - version of the original optimization problem using this subset, we effectively reduce the problem's size and computational demands while accounting for regions where satisfactory dose deliveries are challenging. In contrast to other stochastic (sub-)sampling methods, our technique only requires a single probing and sampling step to define a reduced optimization problem. This problem can be efficiently solved using established solvers without the need of modifying or adapting them. Empirical experiments on open benchmark data highlight substantially reduced optimization times, up to 50 times faster than the original ones, for intensity-modulated radiation therapy (IMRT), all while upholding plan quality comparable to traditional methods. Our novel approach has the potential to significantly accelerate radiation treatment planning by addressing its inherent computational challenges. We reduce the treatment planning time by reducing the size of the optimization problem rather than modifying and improving the optimization method. Our efforts are thus complementary to many previous developments.
• Abstract（参考訳）: 放射線治療計画には多数のボクセルの最適化が伴い、その多くが臨床上の問題に関する限られた情報を持っている。 本稿では,情報ボクセルの代表的な部分集合のみを用いることで,大規模な最適化問題を削減する手法を提案する。 このようにして、計画品質を維持しながら、計画の効率を大幅に改善します。 最初の探索段階において,ボクセル毎に重要なスコアを導出する簡易な目的を含む簡易な最適化問題を事前に解決する。 この重要度スコアはサンプリング分布に変換され、重要度サンプリングを用いて少数の情報ボクセルをサブサンプリングすることができる。 このサブセットを用いて、元の最適化問題の-reduce-バージョンを解くことにより、満足な線量配達が困難である領域を考慮に入れながら、問題の規模と計算要求を効果的に削減する。 他の確率的(部分)サンプリング手法とは対照的に、我々の手法は最適化問題を解くために1つの探索とサンプリングのステップしか必要としない。 この問題は、修正や適応を必要とせずに、確立された解決器を用いて効率的に解決することができる。 オープンベンチマークデータに関する実証実験では、従来の手法に匹敵する計画品質を維持しつつ、従来のものよりも最大50倍の最適化時間を著しく短縮した。 我々の新しいアプローチは、その固有の計算課題に対処することで、放射線治療計画を大幅に加速する可能性がある。 最適化方法の変更や改善よりも、最適化問題のサイズを小さくすることで、治療計画時間を短縮する。 したがって、我々の努力は多くの過去の発展を補完するものである。

関連論文リスト

• Refined Coreset Selection: Towards Minimal Coreset Size under Model Performance Constraints [69.27190330994635]
  コアセットの選択は、計算コストの削減とディープラーニングアルゴリズムのデータ処理の高速化に強力である。 本稿では,モデル性能とコアセットサイズに対する最適化優先順序を維持する革新的な手法を提案する。 実験的に、広範な実験によりその優位性が確認され、しばしばより小さなコアセットサイズでモデル性能が向上する。
  論文  参考訳（メタデータ） (2023-11-15T03:43:04Z)
• Prescriptive PCA: Dimensionality Reduction for Two-stage Stochastic Optimization [1.1612308609123565]
  最適化フェーズにおける準最適度を最小化することを目的とした,規範的次元削減フレームワークを開発した。 下流最適化問題に期待値の目的がある場合、分散ロバスト最適化問題を解くことにより、規範的次元削減が可能であることを示す。 提案手法は, 実データおよび合成データを用いて主成分分析を著しく上回っている。
  論文  参考訳（メタデータ） (2023-06-04T00:50:35Z)
• A Data-Driven Evolutionary Transfer Optimization for Expensive Problems in Dynamic Environments [9.098403098464704]
  データ駆動、つまりサロゲート支援、進化的最適化は、高価なブラックボックス最適化問題に対処するための効果的なアプローチとして認識されている。 本稿では,データ駆動型進化的最適化により動的最適化問題を解くための,シンプルだが効果的な伝達学習フレームワークを提案する。 提案手法の有効性を実世界のケーススタディで実証した。
  論文  参考訳（メタデータ） (2022-11-05T11:19:50Z)
• Towards the optimization of ballistics in proton therapy using genetic algorithms: implementation issues [0.0]
  遺伝的アルゴリズムに基づく新しい最適化フレームワークについて検討する。 提案された最適化ルーチンは典型的には、数千の固定サイズのスポットを考慮に入れている。 提案する遺伝的アルゴリズムの挙動は, 基礎的, 臨床的に有意なテストケースで示される。
  論文  参考訳（メタデータ） (2022-05-17T12:31:14Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• Latent Space Arc Therapy Optimization [1.1186291300604743]
  アークセラピー計画は高次元非インフォームド最適化において難しい問題である。 本稿では,教師なしディープラーニングを用いたアークセラピー最適化の課題に対処する。 エンジンは低次元のアーク表現に基づいて構築され、より高速な計画時間を実現する。
  論文  参考訳（メタデータ） (2021-05-24T19:06:00Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• Decomposition and Adaptive Sampling for Data-Driven Inverse Linear Optimization [12.610576072466895]
  この研究は、線形プログラムの未知のコストベクトルを推論することが目的である逆線形最適化に対処する。 本稿では,既存の手法と比較して,制約の少ない,一般的に許容可能なコスト見積の集合の回復を可能にする,新たな問題の定式化を導入する。
  論文  参考訳（メタデータ） (2020-09-16T22:25:31Z)
• Boosting Data Reduction for the Maximum Weight Independent Set Problem Using Increasing Transformations [59.84561168501493]
  最大重み独立集合問題に対する新しい一般化データ削減および変換規則を導入する。 驚くべきことに、これらのいわゆる増進変換は問題を単純化し、還元空間を開き、アルゴリズムの後にさらに小さな既約グラフが得られる。 提案アルゴリズムは, 1つのインスタンスを除くすべての既約グラフを計算し, 従来よりも多くのインスタンスを最適に解き, 最高の最先端解法よりも最大2桁高速に解き, 解法DynWVCやHILSよりも高品質な解を求める。
  論文  参考訳（メタデータ） (2020-08-12T08:52:50Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)
• Effective Dimension Adaptive Sketching Methods for Faster Regularized Least-Squares Optimization [56.05635751529922]
  スケッチに基づくL2正規化最小二乗問題の解法を提案する。 我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
  論文  参考訳（メタデータ） (2020-06-10T15:00:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。