TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.
我们采用双环优化方法[109],其包括(i)用于逆向规划的内循环,以及(ii)用于优化内循环超参数的外循环。内循环侧重于传统的注量图优化,力求通过最小化一个成本函数来确定最优注量图x,该成本函数组合了针对各种靶区和危及器官的多个加权目标。该成本函数定义为:
min∑t=1Ntwt([Kx]t−dt)2+∑s=1NswsΘ([Kx]s−ds)([Kx]s−ds)s.t.D95([Kx]t)=dt,x≥0,(26) 这里,{wt}t=1Nt和{ws}s=1Ns是重要性权重(由TEXTGRAD优化的超参数),分别平衡Nt个PTV靶区和Ns个OAR的各个目标。K表示剂量影响矩阵,其指定每个束元向体积中每个体素递送的每注量单位的剂量。{dt}t=1Nt和{ds}s=1Ns是每个结构的标量目标剂量。该成本函数本质上惩罚PTV靶区相对于目标目标剂量的平方偏差,并且仅当剂量超过ds时惩罚OAR的平方过剂量。Heaviside函数Θ用于确保目标仅考虑正值。最小化受限于正的x值,并确保D95——结构体积的95%所接受的最小剂量——与临床目标的处方剂量匹配。我们使用matRad[65]结合内点算法来求解内循环优化。