Retningslinjer og erfaring med at bruge Imaging biomarkør Explorer (IBEX) for Radiomics
Summary
Vi beskriver IBEX, et open source værktøj designet til medicinsk billedbehandling radiomics undersøgelser, og hvordan du kan bruge dette værktøj. Derudover er nogle udgivne værker, der har brugt IBEX for usikkerhed analyse og model bygning fremvist.
Abstract
Imaging biomarkør Explorer (IBEX) er et open source værktøj til medicinsk billedbehandling radiomics arbejde. Formålet med dette papir er at beskrive, hvordan at bruge IBEXS anskuelighed brugergrænseflade (GUI) og vise, hvordan IBEX beregnet funktioner har været anvendt i kliniske undersøgelser. IBEX tillader import af DICOM-billeder med DICOM-stråling terapi struktur filer eller Pinnacle filer. Når billederne er importeret, har IBEX værktøjer i Data udvalg GUI til at manipulere visning af billeder, foranstaltning voxel værdier og afstande, og oprette og redigere konturer. IBEX kommer med 27 forbehandling og 132 funktion muligheder at designe indslag apparater. Hver forbehandling og funktion kategori har parametre, der kan ændres. Output fra STENBUKKE er et regneark, der indeholder: 1) hver funktion fra funktionssættet beregnet for hver kontur i et datasæt, 2) billede oplysninger om hver kontur i et datasæt, og 3) et resumé af forbehandlingen og funktioner, der bruges med deres valgte parametre. Funktioner beregnes fra IBEX har været anvendt i studier for at teste variabiliteten af funktioner på forskellige betingelser, billedbehandling og i overlevelse modeller til at forbedre nuværende kliniske modeller.
Introduction
I medicin, patienten klovesygediagnosticering typisk indarbejder en lang række diagnostiske eksamener såsom røntgen, ultralyd, computertomografi (CT), magnetisk resonans imaging (MR), og positron emission tomografi (PET) scanninger for at hjælpe med at afgøre den løbet af patientpleje. Mens læger bruger disse billeder til kvalitativt vurdere patientens diagnose, kan der være yderligere kvantitative funktioner, der kan udvindes for at guide patientpleje. Rationalet er, at disse funktioner kan udgøre proteom og genomisk mønstre udtrykt på makroskopisk skala1. Kombinere denne kvantitative oplysninger med aktuelle kliniske oplysninger, f.eks., patienten demografi, tillade mere individualiseret patientpleje. Dette er teorien bag radiomics: indslag analyse af billeder på en voxel niveau. Funktionerne typisk falder i 5 hovedgrupper: grå niveau samtidig forekomst matrix, grå niveau køre længde matrix, kvarteret intensitet forskellen matrix, histogram og form.
Imaging biomarkør Explorer (IBEX) er et open source værktøj til radiomics arbejde2. Den grafiske brugergrænseflade (GUI) blev udviklet på MD Anderson Cancer Center med det mål at lette ekstraktion og beregning af kvantitative funktioner til at hjælpe i beslutningsprocessen i kræftbehandlingen. En kilde kode3 og en stand-alone4 version er tilgængelige online. IBEX beregner de 5 mest almindelige kategorier af funktioner, der bruges i medicinsk radiomics med parametre, der kan indstilles for hver funktion. Kategorierne er: grå niveau samtidig forekomst matrix5, grå niveau køre længde matrix6,7, intensitet, kvarteret intensitet forskellen matrix8og form. Da STENBUKKE er open source, tillader det for harmoniserede funktion udvinding resultater på tværs af institutionerne til nemt sammenligne forskellige radiomics undersøgelser. Alle funktioner inden for STENBUKKE er beskrevet i den oprindelige papir af Zhang et al. 2
Formålet med dette manuskript er at give vejledning om, hvordan at bruge IBEX og vise sine programmer via peer-reviewed offentliggjorte undersøgelser fra MD Anderson radiomics gruppe. Siden dens udgivelse til offentligheden i 2015, er IBEX blevet brugt til at beregne funktioner fra CT, PET og MR scanning billeder af gruppen MD Anderson radiomics typisk undersøger funktioner for at forbedre kliniske overlevelse modeller9,10, 11,12,13,14,15,16,17,18,19,20 og uden for institutionerne21,22,23,24. Yderligere vejledning på software-værktøjer, der kan bruges til trinnene i radiomics forskning, der ikke indgår i IBEX kan findes i retten et al. 25
En generel introduktion til arbejdsprocessen af IBEX vil bidrage til at organisere data korrekt før du starter radiomics projekter udnytte IBEX. Hvis importerer DICOM-billeder, kræver IBEX, at hver patient har deres egen mappe med deres DICOM-billeder. DICOM-stråling struktur sæt er valgfrit at medtage i mappen patient, men anbefales i stedet for at bruge konturer platform i IBEX. For at hjælpe med at importere alle patienter for en specifik undersøgelse, kan alle patient mapper placeres i en mappe sammen således at alle data kan importeres til IBEX ved hjælp af kun et skridt. Hvis importerer patienter fra Pinnacle, er det bedst at have strukturen med patient planen. Som patienter kan have flere billede sæt og planer i Pinnacle, er det bedst for at vide hvilke billede sæt og planen er korrekte før du importerer. Hvis beregningen tid er en bekymring, kan at reducere antallet af billedudsnit for en patient drastisk reducere tid. For eksempel, hvis der kun leveren er af interesse i en undersøgelse, men patienterne har kan fuld krop CT scanninger, reducere DICOM-udsnit til kun udstrækningen af området af interesse forkorte computation tid (f.eks.nedbringelse af DICOM fra 300 skiver til 50 skiver kan tage 1/6t h tid). Der er forskellige værktøjer til rådighed til at udføre denne skive reduktion, fra manuelle til semi-automatisk.
Protocol
Representative Results
Discussion
STENBUKKE er et kraftfuldt værktøj til medicinsk billedbehandling radiomics forskning. Det har hidtil primært været brugt til stråling onkologi formål i undersøgelser af MD Anderson radiomics gruppe. IBEX giver mulighed for manipulation af ROIs og beregning af funktioner inden for 5 hovedtræk kategorier. Den kilde kode version af IBEX tillader brugeren at designprogrammer, ikke der allerede er en del af IBEX, såsom grå niveau zonen matrix funktioner.
De vigtigste trin i STENBUKKE er …
Divulgations
The authors have nothing to disclose.
Acknowledgements
Rachel Ger er finansieret af Rosalie B. Hite Graduate stipendium og American Legion hjælpeansatte Fellowship. Carlos Cardenas har været finansieret af George M. Stancel ph.d.-stipendium i den biomedicinske videnskaber. Udviklingen af IBEX var finansieret af NCI (R03 CA178495).
Materials
| Excel | Microsoft Office | Any version of excel should work. | |
| Matlab | MathWorks | Only use IBEX on 32 bit Matlab 2011a or 64 bit Matlab 2014b. |
References
- Lambin, P., et al. Radiomics: extracting more information from medical images using advanced feature analysis. EJC. 48, 441-446 (2012).
- Zhang, L., et al. IBEX: an open infrastructure software platform to facilitate collaborative work in radiomics. Med Phys. 42, 1341-1353 (2015).
- Haralick, R. M., Shanmugam, K. Textural features for image classification. IEEE Trans Syst Man Cybern. , 610-621 (1973).
- Galloway, M. M. Texture analysis using gray level run lengths. Comp Graphics and Im Proc. 4, 172-179 (1975).
- Tang, X. Texture information in run-length matrices. IEEE Trans on Im Proc. 7, 1602-1609 (1998).
- Amadasun, M., King, R. Textural features corresponding to textural properties. IEEE Trans Syst Man Cybern. 19, 1264-1274 (1989).
- Fave, X., et al. Preliminary investigation into sources of uncertainty in quantitative imaging features. Comp Med Imaging Graph. 44, 54-61 (2015).
- Fave, X., et al. Can radiomics features be reproducibly measured from CBCT images for patients with non-small cell lung cancer. Med Phys. 42, 6784-6797 (2015).
- Fave, X., et al. Impact of image preprocessing on the volume dependence and prognostic potential of radiomics features in non-small cell lung cancer. Trans Cancer Res. 5, 349-363 (2016).
- Fave, X., et al. Delta-radiomics features for the prediction of patient outcomes in non-small cell lung cancer. Scientific Reports. 7, 588 (2017).
- Fried, D. V., et al. Stage III Non-Small Cell Lung Cancer: Prognostic Value of FDG PET Quantitative Imaging Features Combined with Clinical Prognostic Factors. Radiology. 278, 214-222 (2016).
- Fried, D. V., et al. Potential Use of (18)F-fluorodeoxyglucose Positron Emission Tomography-Based Quantitative Imaging Features for Guiding Dose Escalation in Stage III Non-Small Cell Lung Cancer. IJROBP. 94, 368-376 (2016).
- Mackin, D., et al. Measuring Computed Tomography Scanner Variability of Radiomics Features. Invest radiol. 50, 757-765 (2015).
- Yang, J., et al. Uncertainty analysis of quantitative imaging features extracted from contrast-enhanced CT in lung tumors. Comp Med Imaging Graph. 48, 1-8 (2016).
- van Rossum, P. S., et al. The incremental value of subjective and quantitative assessment of 18F-FDG PET for the prediction of pathologic complete response to preoperative chemoradiotherapy in esophageal cancer. JNM. 57, 691-700 (2016).
- Hunter, L. A., et al. NSCLC tumor shrinkage prediction using quantitative image features. Comp Med Imaging Graph. 49, 29-36 (2016).
- Hunter, L. A., et al. High quality machine-robust image features: identification in nonsmall cell lung cancer computed tomography images. Med Phys. 40, 121916 (2013).
- Fried, D. V., et al. Prognostic value and reproducibility of pretreatment CT texture features in stage III non-small cell lung cancer. IJROBP. 90, 834-842 (2014).
- Gan, J., et al. MO-DE-207B-09: A Consistent Test for Radiomics Softwares. Med Phys. 43, 3706-3706 (2016).
- Klawikowski, S., Christian, J., Schott, D., Zhang, M., Li, X. SU-D-207B-07: Development of a CT-Radiomics Based Early Response Prediction Model During Delivery of Chemoradiation Therapy for Pancreatic Cancer. Med Phys. 43, 3350-3350 (2016).
- Huang, W., Tu, S. SU-F-R-22: Malignancy Classification for Small Pulmonary Nodules with Radiomics and Logistic Regression. Med Phys. 43, 3377-3378 (2016).
- Hanania, A. N., et al. Quantitative imaging to evaluate malignant potential of IPMNs. Oncotarget. 7, 85776-85784 (2016).
- Court, L. E., et al. Computational resources for radiomics. Trans Cancer Res. 5, 340-348 (2016).
- . Matlab Add path Available from: https://www.mathworks.com/help/matlab/ref/addpath.html (2017)
- Zhao, B., et al. Reproducibility of radiomics for deciphering tumor phenotype with imaging. Sci Rep. 6, 23428 (2016).
- Owens, C., et al. Reproducibility and Robustness of Radiomic Features Extracted with Semi-Automatic Segmentation Tools. Med Phys. , (2017).
- Kassner, A., Liu, F., Thornhill, R. E., Tomlinson, G., Mikulis, D. J. Prediction of hemorrhagic transformation in acute ischemic stroke using texture analysis of postcontrast T1-weighted MR images. JMRI. 30, 933-941 (2009).
- . IBEX Google Forum Available from: https://groups.google.com/forum/#!forum/ibex_users (2017)
