基于体素重要性的高效放射治疗计划
机器学习
2024-05-08 v1 机器学习
基因组学
应用统计
摘要
放射治疗计划涉及对大量体素的优化，许多体素仅携带关于临床问题的有限信息。我们提出了一种方法，通过仅使用代表性信息体素子集来减少大规模优化问题。如此一来，我们在保持计划质量的同时大幅提高了计划效率。在初始探测步骤中，我们求解一个涉及简化目标的更容易的优化问题，从而推导出每个体素的重要性得分。该重要性得分随后被转化为抽样分布，从而允许我们使用重要性抽样从子集中抽取一小组信息体素。通过使用该子集解决一个-现在已减小-的原始优化问题，我们有效地减小了问题的规模和计算需求，同时考虑到难以实现满意剂量输送的区域。与其他随机(子)抽样方法不同，我们的技术只需要一次探测和抽样步骤即可定义一个缩减的优化问题。该问题可以有效地使用已建立的求解器解决，无需修改或调整求解器。在开放基准数据上的实验结果表明，我们的方法在放射治疗(IMRT)中将优化时间大幅减少，最高可快50倍，同时保持与传统方法相当的计划质量。我们新颖的方法有望通过解决其固有的计算挑战来显著加速放射治疗计划。我们通过减小优化问题的规模来缩短治疗计划时间，而不是修改和改进优化方法。因此，我们的努力与许多先前的开发工作是互补的。
引用
@article{arxiv.2405.03879,
title = {Scalable Amortized GPLVMs for Single Cell Transcriptomics Data},
author = {Sarah Zhao and Aditya Ravuri and Vidhi Lalchand and Neil D. Lawrence},
journal= {arXiv preprint arXiv:2405.03879},
year = {2024}
}