مقاله روش های نسل محدودیت برای بهینه سازی قوی در پرتودرمانی (2016 الزویر)

1. مقدمه

2. برنامه تیمار IMRT سرطان پستان

2.1. زمینه

2.2. یک مدل بهینه سازی CvaR – قوی برای IMRT سرطان پستان

3. یک راه حل نسل محدودیت

3.1. یک مساله بهینه سازی قوی با محدودیت های نامعلوم

3.2. تجزیه مساله

3.2.3. استراتژی های افزودن محدودیت

3.2.4. به روز رسانی راه حل

3.2.5. معیار توقف

4. نتایج

4.1. اثربخشی محاسباتی

4.2. کیفیت حل در مقابل زمان محاسبه

5. بحث

6. نتیجه گیری و کارهای بعدی

We develop a constraint generation solution method for robust optimization problems in radiation therapy in which the problems include a large number of robust constraints. Each robust constraint must hold for any realization of an uncertain parameter within a given uncertainty set. Because the problems are large scale, the robust counterpart is computationally challenging to solve. To address this challenge, we explore different strategies of adding constraints in a constraint generation solution approach. We motivate and demonstrate our approach using robust intensity-modulated radiation therapy treatment planning for breast cancer. We use clinical data to compare the computational efficiency of our constraint generation strategies with that of directly solving the robust counterpart.

ما یک راه حل نسل محدودیت را برای مسایل بهینه سازی قوی در پرتودرمانی ایجاد کردیم که در آن، مسائل شامل تعداد زیادی از محدودیت های قوی می باشد. هر محدودیت قوی باید برای هرگونه درک از یک پارامتر نامعلوم درون مجموعه ی عدم قطعیت معین برقرار باشد. از آنجایی که مسایل، بزرگ مقیاس هستند، حل همتای قوی به صورت محاسباتی چالش برانگیز می باشد. برای پیگیری این چالش، ما استراتژی های مختلفی را برای اضافه کردن محدودیت ها در یک راه حل نسل محدودیت مورد بررسی قرار دادیم. ما روش خودمان را با استفاده از برنامه ی تیمار پرتودرمانی تعدیل شدت قوی برای سرطان پستان اثبات کردیم. ما از داده های بالینی برای مقایسه ی اثربخشی محاسباتی استراتژی های نسل محدودیت خودمان و حل مستقیم همتای قوی آن استفاده کردیم.