ترجمه فارسی مقاله برنامه ریزی درمان رادیوتراپی خودکار با یادگیری تقویتی عملکردی عمیق

چکیده

Background and purpose Intensity-modulated radiation therapy (IMRT) is a crucial radiotherapy technique, often formulated as an optimization problem. However, when the constraints are too tight to provide a feasible solution, human planners resort to relaxing the optimization parameters and re-evaluating until an acceptable solution is obtained. This process is laborious and time-consuming which has prompted attempts to automate radiotherapy through inverse planning studies using reinforcement learning. Unfortunately, these studies face two major limitations. Firstly, a separate sub-network must be designed for each organ, rendering them difficult to apply to patients with an inconsistent number of structures. Secondly, the low signal-to-noise inputs and discrete action space result in low training efficiency. To address these limitations, this study proposes a novel and effective model.

چکیده به فارسی (ترجمه ماشینی)

پس زمینه و هدف ، پرتودرمانی تعدیل شده با شدت (IMRT) یک روش رادیوتراپی مهم است که اغلب به عنوان یک مشکل بهینه سازی تدوین می شود.با این حال ، هنگامی که محدودیت ها برای ارائه یک راه حل امکان پذیر بسیار محکم هستند ، برنامه ریزان انسان به آرامش پارامترهای بهینه سازی و ارزیابی مجدد تا زمانی که یک راه حل قابل قبول بدست آید ، متوسل می شوند.این فرآیند پر زحمت و وقت گیر است که باعث شده است تا از طریق مطالعات برنامه ریزی معکوس با استفاده از یادگیری تقویت شده ، رادیوتراپی را به صورت خودکار انجام دهد.متأسفانه ، این مطالعات با دو محدودیت اصلی روبرو هستند.در مرحله اول ، یک زیر شبکه جداگانه باید برای هر اندام طراحی شود و اعمال آنها برای بیماران با تعداد متناقض ساختار دشوار باشد.ثانیا ، ورودی های کم سیگنال به نویز و فضای عمل گسسته منجر به راندمان آموزش کم می شود.برای پرداختن به این محدودیت ها ، این مطالعه یک مدل جدید و مؤثر را ارائه می دهد.