روش های نسل محدودیت برای بهینه سازی قوی در پرتودرمانی
چکیده
ما یک راه حل نسل محدودیت را برای مسایل بهینه سازی قوی در پرتودرمانی ایجاد کردیم که در آن، مسائل شامل تعداد زیادی از محدودیت های قوی می باشد. هر محدودیت قوی باید برای هرگونه درک از یک پارامتر نامعلوم درون مجموعه ی عدم قطعیت معین برقرار باشد. از آنجایی که مسایل، بزرگ مقیاس هستند، حل همتای قوی به صورت محاسباتی چالش برانگیز می باشد. برای پیگیری این چالش، ما استراتژی های مختلفی را برای اضافه کردن محدودیت ها در یک راه حل نسل محدودیت مورد بررسی قرار دادیم. ما روش خودمان را با استفاده از برنامه ی تیمار پرتودرمانی تعدیل شدت قوی برای سرطان پستان اثبات کردیم. ما از داده های بالینی برای مقایسه ی اثربخشی محاسباتی استراتژی های نسل محدودیت خودمان و حل مستقیم همتای قوی آن استفاده کردیم.
1. مقدمه
بهینه سازی قوی (RO) با مسایل بهینه سازی سروکار دارد که در آن ، برخی پارامترهای مساله نامعلوم هستند و طوری مدل سازی شده اند که به مجموعه ی عدم قطعیت تعلق دارند. یکی از حوزه هایی که در آن، بهینه سازی قوی به کار رفته است، برنامه ی تیمار درمان رادیوتراپی (RT) می باشد. در RT، هدف، انتقال پرتوهای رادیویی (radiation) از زوایای مختلف به یک بیمار سرطانی می باشد به طوری که پرتوها روی هدف سرطانی (یعنی یک تومور) با هم تقاطع کنند، و تا حد امکان به مقدار کمی به اطراف بافت سالم تابانده شوند. بهینه سازی قوی برای مدیریت عدم قطعیت ها در مسایل برنامه ریزی درمانی RT از جمله عدم قطعیت های موجود در هندسه ی بیمار، محاسبات دوز، حرکت تنفسی و محدوده و ستاپ ارورها در پروتون درمانی مورد استفاده قرار می گیرد.
abstract
We develop a constraint generation solution method for robust optimization problems in radiation therapy in which the problems include a large number of robust constraints. Each robust constraint must hold for any realization of an uncertain parameter within a given uncertainty set. Because the problems are large scale, the robust counterpart is computationally challenging to solve. To address this challenge, we explore different strategies of adding constraints in a constraint generation solution approach. We motivate and demonstrate our approach using robust intensity-modulated radiation therapy treatment planning for breast cancer. We use clinical data to compare the computational efficiency of our constraint generation strategies with that of directly solving the robust counterpart.
1. Introduction
Robust Optimization (RO) deals with optimization problems in which some problem parameters are uncertain and modeled as belonging to an ‘‘uncertainty set’’ [1,2]. One of the areas in which robust optimization has been applied is radiation therapy (RT) treatment planning. In RT, the goal is to deliver radiation beams from different angles to a cancer patient so that the beams intersect at the cancerous target (i.e., a tumor), while sparing as much of the surrounding healthy tissue as possible. Robust optimization has been used to manage uncertainties in RT treatment planning problems including uncertainties in patient geometry [3], dose calculations [4], breathing motion [5–10], and range and setup errors in proton therapy [11–14].
چکیده
1. مقدمه
2. برنامه تیمار IMRT سرطان پستان
2.1. زمینه
2.2. یک مدل بهینه سازی CvaR – قوی برای IMRT سرطان پستان
3. یک راه حل نسل محدودیت
3.1. یک مساله بهینه سازی قوی با محدودیت های نامعلوم
3.2. تجزیه مساله
4. نتایج
4.1. اثربخشی محاسباتی
4.2. کیفیت حل در مقابل زمان محاسبه
5. بحث
6. نتیجه گیری و کارهای بعدی
abstract
1. Introduction
2. Breast cancer IMRT treatment planning
2.1. Background
2.2. A robust-CVaR optimization model for breast cancer IMRT
3. A constraint generation solution method
3.1. A robust optimization problem with uncertain constraints
3.2. Problem decomposition
4. Results
4.1. Computational efficiency
4.2. Solution quality vs. computation time
5. Discussion
6. Conclusions and future work
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه