ガイドラインと Radiomics のイメージング バイオ マーカー エクスプ ローラー (アイベックス) の使用経験
Summary
アイベックス、医療イメージング radiomics とどのようにこのツールを使用するために設計されたオープン ソースのツールについて述べる.また、不確かさ解析のアイベックス テクノロジーを使用しているし、モデル構築いくつかの出版された作品が展示されています。
Abstract
イメージング バイオ マーカー エクスプ ローラー (アイベックス) は医療用画像 radiomics 仕事のためオープン ソース ツールです。本稿の目的は、アイベックスの特徴は、臨床試験で使用されている計算方法を示すため、アイベックスのグラフィカル ユーザー インターフェイス (GUI) を使用する方法を説明することです。アイベックスは、DICOM 画像のインポート、DICOM 放射線療法構造ファイルやピナクル ファイル画像をインポートすると、一度、アイベックスはメジャー ボクセル値、距離、イメージの表示を操作し、輪郭を編集作成データ選択 GUI 内でツールを持っています。アイベックスは付属機能セットを設計する 27 プリプロセスと 132 機能を選択しています。前処理と機能カテゴリごとには、変更できるパラメーターがあります。アイベックス テクノロジーからの出力が含まれているスプレッドシート: 1) 各機能各データ セットの輪郭、2) 画像データ セット、および 3) 前処理の概要の各輪郭についての計算設定機能と彼らの選択と使用される機能からパラメーター。アイベックスから計算の機能は、異なる撮像条件の下で、現在の臨床モデルを改善するために生存モデルに機能の変動をテストする研究に使用されています。
Introduction
医学では、患者の病気の診断は、x 線、超音波、コンピューター断層撮影 (CT)、磁気共鳴画像 (MRI) などの診断試験の数が多いを通常組み込まれていて、ポジトロン断層法 (PET) を決定する際に支援するためにスキャン、患者のケアのコースです。医師は、定性的患者の診断を評価するためにこれらのイメージを使用して、患者のケアをガイドに抽出することができます追加の定量的機能がある可能性があります。理論的根拠は、プロテオーム、マクロ スケール1で表されるゲノムのパターン、これらの機能があります。この定量的な情報を組み合わせて、現在の臨床情報、例えば、患者の人口統計より個別の患者の治療が可能です。これは radiomics の背後にある理論: ボクセル レベル上の画像の特徴解析。機能は通常、5 つの主なカテゴリに分類されます: 灰色のレベルの同時生起行列、灰色レベル ランレングス行列、近所の強度差行列、ヒストグラム、および図形。
イメージング バイオ マーカー エクスプ ローラー (アイベックス)、radiomics の仕事2のオープン ソース ツールです。グラフィカル ユーザー インターフェイス (GUI) は、MD アンダーソンがんセンターでがん医療における意思決定を支援する抽出と特徴量の計算を容易にする目的で開発されました。ソース コード3と4のスタンドアロン版がオンラインです。アイベックスは、機能ごとに設定できるパラメーターを持つ医療 radiomics で使用される機能の 5 つの最も一般的なカテゴリを計算します。カテゴリ: 灰色の図形、近所の強度差行列8、強度灰色レベル ランレングス行列6,7レベルの共起行列5。アイベックスはオープン ソースなのでこと調和機能抽出結果の機関間で異なる radiomics 研究を簡単に比較します。アイベックス内のすべての機能が張らによる初期の紙に記載されて2
本稿の目的は、MD アンダーソン radiomics グループから発表された研究の査読を通じてそのアプリケーションをデモンストレーションする、アイベックス テクノロジーを使用する方法に関するガイダンスを提供することです。2015 年に一般にリリース以来アイベックスによって使用されています CT、PET、MRI のスキャン画像から機能の計算に MD アンダーソン radiomics グループ通常臨床生存モデル9,10を改善するために機能を調査 11,12,13,14,15,16,17,18,19,20、外部機関21,22,23,24。裁判所らのアイベックスに含まれていない radiomics 研究の手順に使用できるソフトウェア ツールに関する追加のガイダンスを見つけることができます。25
アイベックスのワークフローの概要は、アイベックス テクノロジーを活用した radiomics プロジェクトを開始する前にデータを正しく整理するのに役立ちます。DICOM 画像をインポートすると、各患者が彼らの DICOM 画像で自分のフォルダーあるアイベックス テクノロジーが必要です。DICOM 放射構造のセットは患者のフォルダーに含めるオプションですが、IBEX の輪郭のプラットフォームを使用する代わりにお勧めします。インポートする特定の研究のためのすべての患者を支援するには、患者のすべてのフォルダー配置できます 1 つのフォルダーに一緒に、アイベックス 1 つだけステップを使用してにすべてのデータをインポートできます。ピナクルから患者をインポートしている場合、患者の計画と設定構造を持たせることをお勧めします。患者は複数の画像のセットとピナクル内のプランがある、最高の画像設定を把握する、インポートする前に、計画が正しいです。計算時間を重視する場合は大幅に時間を短縮できます患者の画像スライスの数を減らします。たとえば、肝臓の研究に関心があります患者が全身 CT スキャン、関心のある領域の範囲だけに DICOM スライスを減らすことは (例えば、300 のスライスから 50 スライスに、DICOM を削減することができます取る 1/6 t 計算時間を短縮できます。h の時間)。半自動] に手動からこのスライスの削減を実行する使用できるさまざまなツールがあります。
Protocol
Representative Results
Discussion
アイベックスは、医療イメージング radiomics 研究のための強力なツールです。それはこれまでほとんど使用されて MD アンダーソン radiomics グループによって行わ研究で放射線腫瘍学目的のため。アイベックス ・ ロワの操作や 5 つの主な機能のカテゴリー内の機能の計算ができます。アイベックスのソース コードのバージョンでは、アイベックスのグレーゾーン レベル マトリックス機能など…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
レイチェル Ger はロザリー B. ハイト大学院特別研究員、アメリカ在郷軍人会補助奨学金によって資金を供給します。カルロス ・ カルデナスは、生物医学のジョージ ・ m ・ Stancel 博士フェローシップによって賄われています。アイベックス テクノロジーの開発は、NCI (R03 CA178495) によって賄われていた。
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. |
Riferimenti
- 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)
