فایل ورد کامل متدهای نسل محدودیت جهت بهینه سازی قوی در رادیوتراپی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل متدهای نسل محدودیت جهت بهینه سازی قوی در رادیوتراپی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۲ صفحه

نتیجه گیری و کارهای بعدی

در این مقاله، ما یک راه حل مبتنی بر تجزیه را برای مساله بهینه سازی قوی با یک تعداد بزرگی از محدودیت های نامعلوم ایجاد کردیم. ما استراتژی هایی را برای یافتن و افزودن محدودیت ها در هر تکرار ایجاد کردیم. ما انواعی از محدودیت ها را تعریف کردیم و مزایای محاسباتی گروه بندی محدودیت ها بر اساس نوع آن ها را نشان دادیم. ما روش  خودمان را برای یک مدل بهینه سازی IMRT قوی در مقیاس بزرگ برای سرطان پستان به کار بردیم و زمان محاسبه ی راه حل خودمان را با حل همتای قوی مقایسه کردیم. نتایج ما نشان می دهد که نسل محدودیت معمولا می تواند به اندازه ی یک مرتبه در زمان محاسباتی صرفه جویی کند.

ما بر این باوریم که استفاده از اطلاعات هندسی در مورد وکسل ها (یعنی وکسل هایی که در مجاورت نزدیک یکدیگر قرار دارند) ممکن است منجر به کاهش بیشتر زمان محاسباتی برای مساله ی IMRT سرطان پستان شود. همچنین، خوشه بندی الگوهای تنفسی بر اساس مشابهت و اولویت بندی افزودن الگوهای تنفسی مختلف نیز ممکن است به بهبود اثربخشی محاسباتی کمک کند. این ها موضوعاتی برای مطالعات بعدی می باشند.         

عنوان انگلیسی:Constraint generation methods for robust optimization in radiation therapy~~en~~

۶ Conclusions and future work

In this paper, we developed a decomposition-based solution method for robust optimization problems with a large number of uncertain constraints. We developed strategies for finding and adding constraints at each iteration. We defined types of constraints and demonstrated the computational benefit of categorizing the constraints based on their type. We applied our method to a large-scale robust IMRT optimization model for breast cancer and compared the computation time of our solution method with that of solving the robust counterpart. Our results showed that constraint generation can typically save one order of magnitude in computation time. We believe that using geometric information about the voxels (i.e., which voxels are in close proximity to each other) may result in further reductions in computation time for the breast cancer IMRT problem. Also, clustering the breathing patterns based on similarity and prioritizing the addition of different breathing patterns may also help improve computational efficiency. These are topics for future study.

$$en!!