Zum Hauptinhalt springen
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

G.2 Optimierung der inneren Schleife für die Behandlungsplanung

Wir verwenden einen Zwei-Schleifen-Optimierungsansatz [109], der (i) eine innere Schleife für die inverse Planung und (ii) eine äußere Schleife zur Optimierung der Hyperparameter der inneren Schleife umfasst. Die innere Schleife konzentriert sich auf die traditionelle Fluenzkartenoptimierung und versucht, die optimale Fluenzkarte xx zu bestimmen, indem eine Kostenfunktion minimiert wird, die mehrere gewichtete Ziele für verschiedene Zielvolumina und Risikoorgane kombiniert. Diese Kostenfunktion ist definiert als:

min⁡∑t=1Ntwt([Kx]t−dt)2+∑s=1NswsΘ([Kx]s−ds)([Kx]s−ds)s.t.D95([Kx]t)=dt,x≥0,(26)\begin{array}{r l} & {\min \sum_{t = 1}^{N_{t}}w_{t}([K x]{t} - d{t})^{2} + \sum_{s = 1}^{N_{s}}w_{s}\Theta ([K x]{s} - d{s})([K x]{s} - d{s})}\\ & {\mathrm{s.t.} D_{95}([K x]{t}) = d{t},}\\ & {\qquad x\geq 0,} \end{array} \quad (26)

Dabei sind {wt}t=1Nt\{w_{t}\}{t = 1}^{N{t}} und {ws}s=1Ns\{w_{s}\}{s = 1}^{N{s}} die Wichtigkeitsgewichte (die von TEXTGRAD optimierten Hyperparameter), die die verschiedenen Ziele für NtN_{t} PTV-Zielvolumina bzw. NsN_{s} OARs ausbalancieren. KK bezeichnet die Dosis-Einflussmatrix, die die Dosis pro Fluenzeneinheit angibt, die von jedem Beamlet an jedes Voxel im Volumen abgegeben wird.{dt}t=1Nt\{d_{t}\}{t = 1}^{N{t}} und {ds}s=1Ns\{d_{s}\}{s = 1}^{N{s}} sind die skalaren Zieldosen für jede Struktur. Die Kostenfunktion bestraft im Wesentlichen quadratische Abweichungen von den Zielobjektdosen für die PTV-Zielvolumina und bestraft quadratische Überdosierungen für die OARs nur dann, wenn die Dosen dsd_{s} überschreiten. Die Heaviside-Funktion Θ\Theta wird verwendet, um sicherzustellen, dass das Zielobjekt nur positive Werte berücksichtigt. Die Minimierung ist auf positive xx-Werte beschränkt und stellt sicher, dass D95D_{95} – die Mindestdosis, die von 95%95\% des Strukturvolumens empfangen wird – mit der verschriebenen Dosis für das klinische Ziel übereinstimmt. Wir verwenden matRad [65] mit Innere-Punkte-Algorithmen, um die Optimierung der inneren Schleife zu lösen.