Aller au contenu principal
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

G.2 Optimisation en boucle interne pour la planification de traitement

Nous employons une approche d'optimisation à deux boucles [109], qui comprend (i) une boucle interne pour la planification inverse et (ii) une boucle externe pour optimiser les hyperparamètres de la boucle interne. La boucle interne se concentre sur l'optimisation traditionnelle de la carte de fluence, cherchant à déterminer la carte de fluence optimale xx en minimisant une fonction de coût qui combine plusieurs objectifs pondérés pour diverses cibles et organes à risque. Cette fonction de coût est définie comme suit :

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)

Ici, {wt}t=1Nt\{w_{t}\}{t = 1}^{N{t}} et {ws}s=1Ns\{w_{s}\}{s = 1}^{N{s}} sont les poids d'importance (les hyperparamètres optimisés par TEXTGRAD) qui équilibrent les différents objectifs pour NtN_{t} cibles PTV et NsN_{s} OAR, respectivement. KK désigne la matrice d'influence de dose, qui spécifie la dose par unité de fluence délivrée à chaque voxel du volume par chaque faiscelet. {dt}t=1Nt\{d_{t}\}{t = 1}^{N{t}} et {ds}s=1Ns\{d_{s}\}{s = 1}^{N{s}} sont les doses objectives scalaires pour chaque structure. La fonction de coût pénalise essentiellement les écarts quadratiques par rapport aux doses objectives cibles pour les cibles PTV et pénalise la surdose quadratique pour les OAR uniquement lorsque les doses dépassent dsd_{s} . La fonction de Heaviside Θ\Theta est utilisée pour garantir que l'objectif ne considère que des valeurs positives. La minimisation est contrainte à des valeurs positives de xx et garantit que D95D_{95} — la dose minimale reçue par 95%95\% du volume de la structure — correspond à la dose prescrite pour l'objectif clinique. Nous utilisons matRad [65] avec des algorithmes de point intérieur pour résoudre l'optimisation de la boucle interne.