Linee guida ed esperienza utilizzando Imaging Biomarker Explorer (IBEX) per Radiomics
Summary
Descriviamo IBEX, uno strumento open source progettato per studi di radiomics di imaging medico e come utilizzare questo strumento. Inoltre, sono in mostra alcune opere pubblicate che hanno usato IBEX per analisi di incertezza e modello di edificio.
Abstract
Imaging Biomarker Explorer (IBEX) è uno strumento open source per medical imaging radiomics lavoro. Lo scopo di questa carta è di descrivere le modalità per utilizzare l’interfaccia utente grafica di IBEX (GUI) e dimostrare come stambecco calcolato caratteristiche sono stati utilizzati negli studi clinici. IBEX consente l’importazione di immagini DICOM con DICOM radiazioni terapia struttura file o file di Pinnacle. Dopo aver importate le immagini, IBEX ha strumenti all’interno della GUI di selezione dati per modificare la visualizzazione delle immagini, valori di misura voxel e distanze e creare e modificare i contorni. IBEX è dotato di 27 scelte di caratteristica di pre-elaborazione e 132 per la progettazione di insiemi di funzionalità. Ogni categoria di pre-elaborazione e funzionalità dispone di parametri che possono essere modificati. L’output di IBEX è un foglio di calcolo contenente: 1) ogni funzionalità dal set calcolati per ogni contorno in un set di dati, informazioni di immagine 2) su ogni contorno in un set di dati e 3) una sintesi della pre-elaborazione di caratteristiche e funzionalità utilizzate con loro selezionati parametri. Caratteristiche calcolati da Stambecco sono stati utilizzati negli studi per testare la variabilità delle caratteristiche nelle diverse condizioni di imaging e nei modelli di sopravvivenza per migliorare i modelli clinici attuali.
Introduction
In medicina, la diagnosi di malattia paziente in genere incorpora un gran numero di esami diagnostici come i raggi x, ecografia, tomografia computerizzata (TC), risonanza magnetica (MRI), e le scansioni di tomografia a emissione di positroni (PET) per aiutare nella determinazione del corso di cura del paziente. Mentre i medici usano queste immagini per valutare qualitativamente la diagnosi del paziente, ci possono essere ulteriori caratteristiche quantitativi che possono essere estratti per guidare la cura del paziente. La spiegazione razionale è che queste caratteristiche possono rappresentare proteomica e genomiche modelli espressi su scala macroscopica1. Combinando questa informazioni quantitative con informazioni cliniche correnti, ad esempio, i dati demografici, possono permettere più individualizzato di cura paziente. Questa è la teoria dietro radiomics: dispongono di analisi delle immagini a livello di voxel. Le caratteristiche in genere rientrano in 5 categorie principali: grigio matrice livello co-avvenimento, matrice di lunghezza di esecuzione livello grigio, quartiere intensità differenza matrice, istogramma e forma.
Imaging Biomarker Explorer (IBEX) è uno strumento open-source per radiomics lavoro2. L’interfaccia utente grafica (GUI) è stata sviluppata al MD Anderson Cancer Center con l’obiettivo di facilitare l’estrazione e il calcolo delle caratteristiche quantitative per assistere nel processo decisionale nella cura del cancro. Una fonte codice3 e una versione stand-alone4 sono disponibili online. IBEX calcola le 5 categorie più comuni di funzionalità utilizzate in radiomics medica con parametri che possono essere impostati per ogni categoria di funzionalità. Le categorie sono: grigio livello co-avvenimento matrice5, grigio lunghezza di esecuzione livello matrice6,7, intensità, quartiere intensità differenza matrice8e forma. Poiché IBEX è open source, consente risultati estrazione caratteristica armonizzate attraverso istituzioni di confrontare facilmente radiomics diversi studi. Tutte le caratteristiche all’interno dello stambecco sono descritte nel documento iniziale di Zhang et al. 2
Lo scopo di questo manoscritto è quello di fornire indicazioni su come utilizzare IBEX e dimostrare le sue applicazioni attraverso studi pubblicati pari-esaminati dal gruppo di radiomics MD Anderson. Dal suo rilascio al pubblico nel 2015, IBEX è stato utilizzato per calcolare le caratteristiche dalle immagini di scansione CT, MRI e PET dal gruppo radiomics MD Anderson, indagando in genere caratteristiche per migliorare la sopravvivenza clinica modelli9,10, 11,12,13,14,15,16,17,18,19,20 e dall’esterno delle istituzioni21,22,23,24. Ulteriori indicazioni su strumenti software che possono essere utilizzati per i passaggi nella ricerca di radiomics che non sono inclusi in IBEX si trovano nella Corte et al. 25
Un’introduzione generale al flusso di lavoro di stambecco vi aiuterà a organizzare i dati correttamente prima di avviare progetti di radiomics utilizzando IBEX. Se l’importazione di immagini DICOM, IBEX richiede che ogni paziente ha la propria cartella con le loro immagini DICOM. DICOM radiazione struttura set per includere nella cartella paziente è opzionale, ma si consiglia invece di utilizzare la piattaforma di contornatura in IBEX. Per facilitare l’importazione di tutti i pazienti per uno studio specifico, tutte le cartelle paziente possono essere messi in una cartella insieme affinché tutti i dati possono essere importati in IBEX utilizzando solo un passo. Se l’importazione di pazienti da Pinnacle, è meglio avere la struttura impostata con il piano di paziente. Come i pazienti possono avere più insiemi di immagini e piani all’interno di Pinnacle, è meglio sapere quale immagine set e piano siano corrette prima dell’importazione. Tempo di calcolo è una preoccupazione, riducendo il numero di fette di immagine per un paziente può drasticamente ridurre tempo. Ad esempio, se solo il fegato è di interesse in uno studio, ma i pazienti hanno scansioni CT completo del corpo, riducendo le fette DICOM solo nella misura dell’area di interesse possono abbreviare il tempo di calcolo (ad esempio, riducendo il DICOM da 300 fette a 50 fette può prendere 1/6t h il tempo). Ci sono diversi strumenti disponibili per eseguire questa fetta di riduzione, da manuale a semi-automatico.
Protocol
Representative Results
Discussion
IBEX è un potente strumento per la ricerca di radiomics formazione immagine medica. Per lo più finora è stato utilizzato per scopi di oncologia di radiazione negli studi condotti dal gruppo di radiomics MD Anderson. IBEX permette per la manipolazione di ROIs e calcolo di funzioni all’interno di 5 categorie di caratteristica principale. La versione del codice sorgente di stambecco consente all’utente di progettare applicazioni che non fanno già parte di stambecco, ad esempio funzionalità di matrice di zona grigia di …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Rachel Ger è finanziato dal Rosalie B. Hite Istituto europeo di oncologia e American Legion ausiliario Fellowship. Carlos Cardenas è stato finanziato dalla compagnia George M. Stancel PhD nelle scienze biomediche. Lo sviluppo dello stambecco è stato finanziato il 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)
