Suscribirse

Automation in radiotherapy treatment planning: Examples of use in clinical practice and future trends for a complete automated workflow - 24/06/21

Automatisation de la planification du traitement par irradiation : exemples d’implémentations cliniques et futures tendances pour un flux de travail entièrement automatisé

Doi : 10.1016/j.canrad.2021.06.006 
P. Meyer a, b, , M.-C. Biston c, d, C. Khamphan e, T. Marghani f, J. Mazurier g, V. Bodez e, L. Fezzani f, P.A. Rigaud f, G. Sidorski g, L. Simon h, i, C. Robert j, k
a Department of radiotherapy, Institut de Cancérologie Strasbourg Europe (ICANS), Strasbourg, France 
b ICUBE, CNRS UMR 7357, team IMAGES, Strasbourg, France 
c Department of radiotherapy, Centre Léon Bérard (CLB), Lyon, France 
d CREATIS, CNRS UMR5220, Inserm U1044, INSA-Lyon, Université Lyon 1, Villeurbanne, France 
e Department of medical physics, Institut du Cancer Avignon-Provence, Avignon, France 
f Institut de radiothérapie Amethyst du Sud de l’Oise, Creil, France 
g Centre de radiothérapie Oncorad Garonne, Toulouse, France 
h Institut Claudius Regaud (ICR), Institut Universitaire du Cancer de Toulouse-Oncopole (IUCT-O), Toulouse, France 
i Centre de Recherches en Cancérologie de Toulouse (CRCT), Université de Toulouse, INSERM U1037, Toulouse, France 
j Université Paris-Saclay, Institut Gustave Roussy, INSERM, Radiothérapie Moléculaire et Innovation Thérapeutique, Villejuif, France 
k Department of Radiotherapy, Gustave Roussy, Villejuif, France 

Corresponding author at: Department of radiotherapy, Institut de Cancérologie Strasbourg Europe (ICANS), Strasbourg, France.Department of radiotherapy, Institut de Cancérologie Strasbourg Europe (ICANS)StrasbourgFrance
En prensa. Pruebas corregidas por el autor. Disponible en línea desde el Thursday 24 June 2021
This article has been published in an issue click here to access

Abstract

Modern radiotherapy treatment planning is a complex and time-consuming process that requires the skills of experienced users to obtain quality plans. Since the early 2000s, the automation of this planning process has become an important research topic in radiotherapy. Today, the first commercial automated treatment planning solutions are available and implemented in a growing number of clinical radiotherapy departments. It should be noted that these various commercial solutions are based on very different methods, implying a daily practice that varies from one center to another. It is likely that this change in planning practices is still in its infancy. Indeed, the rise of artificial intelligence methods, based in particular on deep learning, has recently revived research interest in this subject. The numerous articles currently being published announce a lasting and profound transformation of radiotherapy planning practices in the years to come. From this perspective, an evolution of initial training for clinical teams and the drafting of new quality assurance recommendations is desirable.

El texto completo de este artículo está disponible en PDF.

Résumé

La planification moderne des traitements par irradiation est un processus complexe et long qui requiert les compétences d’utilisateurs expérimentés pour obtenir des plans de qualité. Depuis le début des années 2000, l’automatisation de ce processus de planification est devenue un sujet de recherche important en radiothérapie. Aujourd’hui, les premières solutions commerciales de planification automatisée des traitements sont disponibles et mises en œuvre dans un nombre croissant de services cliniques de radiothérapie. Il faut noter que ces différentes solutions commerciales sont basées sur des méthodes très différentes, impliquant une pratique quotidienne variable d’un centre à l’autre. Il est probable que cette évolution des pratiques de planification n’en soit qu’à ses débuts. En effet, l’essor des méthodes d’intelligence artificielle, basées notamment sur le deep learning, a récemment relancé l’intérêt des chercheurs pour ce sujet. Les nombreux articles actuellement publiés annoncent une transformation durable et profonde des pratiques de planification des plans de traitement par irradiation dans les années à venir. Dans cette perspective, une évolution de la formation initiale des équipes cliniques et la rédaction de nouvelles recommandations d’assurance qualité sont souhaitables.

El texto completo de este artículo está disponible en PDF.

Keywords : Automated radiotherapy treatment planning, Dose mimicking, Dose prediction

Mots clés : Planification de traitement automatisée, Prédiction de dose, Imitation de dose


Esquema


 Congrès SFRO2021, Session SFRO/SFPM, IA et radiothérapie : vision du physicien médical.


© 2021  Société française de radiothérapie oncologique (SFRO). Publicado por Elsevier Masson SAS. Todos los derechos reservados.
Añadir a mi biblioteca Eliminar de mi biblioteca Imprimir
Exportación

    Exportación citas

  • Fichero

  • Contenido

Bienvenido a EM-consulte, la referencia de los profesionales de la salud.
El acceso al texto completo de este artículo requiere una suscripción.

¿Ya suscrito a @@106933@@ revista ?

Mi cuenta


Declaración CNIL

EM-CONSULTE.COM se declara a la CNIL, la declaración N º 1286925.

En virtud de la Ley N º 78-17 del 6 de enero de 1978, relativa a las computadoras, archivos y libertades, usted tiene el derecho de oposición (art.26 de la ley), el acceso (art.34 a 38 Ley), y correcta (artículo 36 de la ley) los datos que le conciernen. Por lo tanto, usted puede pedir que se corrija, complementado, clarificado, actualizado o suprimido información sobre usted que son inexactos, incompletos, engañosos, obsoletos o cuya recogida o de conservación o uso está prohibido.
La información personal sobre los visitantes de nuestro sitio, incluyendo su identidad, son confidenciales.
El jefe del sitio en el honor se compromete a respetar la confidencialidad de los requisitos legales aplicables en Francia y no de revelar dicha información a terceros.


Todo el contenido en este sitio: Copyright © 2024 Elsevier, sus licenciantes y colaboradores. Se reservan todos los derechos, incluidos los de minería de texto y datos, entrenamiento de IA y tecnologías similares. Para todo el contenido de acceso abierto, se aplican los términos de licencia de Creative Commons.