Riktlinjer och erfarenhet av att använda Imaging biomarkör Explorer (IBEX) för Radiomics
Summary
Vi beskriver Stenbock, en öppen källkod verktyg för medicinsk imaging radiomics studier och hur man använder verktyget. Dessutom är några publicerade verk som har använt IBEX för osäkerhetsanalys och modell byggnad utställningsmonter.
Abstract
Imaging biomarkör Explorer (IBEX) är ett open-source verktyg för medicinsk imaging radiomics arbete. Syftet med denna uppsats är att beskriva hur du använder STENBOCKS grafiskt användargränssnitt (GUI) och att demonstrera hur Stenbock beräknas funktioner har använts i kliniska studier. IBEX möjliggör import av DICOM-bilder med DICOM-strålning terapi struktur eller Pinnacle filer. När bilderna importeras, har IBEX verktyg inom Data urval GUI att manipulera visning av bilder, voxel måttvärdena och avstånd, och skapa och redigera konturer. IBEX levereras med 27 förbehandling och 132 funktionen val att utforma funktionsuppsättningar. Varje förbehandling och funktionen kategori har parametrar som kan ändras. Utdata från IBEX är ett kalkylblad som innehåller: 1) varje funktion från uppsättning beräknades för varje kontur i en uppsättning data, 2) image information om varje kontur i en uppsättning data, och 3) en sammanfattning av förbehandling funktioner och funktioner som används med deras valda parametrar. Funktioner beräknas från IBEX har använts i studier för att testa variabilityen av funktioner olika imaging villkor och överlevnad modeller för att förbättra nuvarande kliniska modeller.
Introduction
I medicin, patientens sjukdomsdiagnos vanligtvis omfattar ett stort antal diagnostiska tentor såsom röntgen, ultraljud, datortomografi (CT), magnetisk resonanstomografi (MRT), och positronemissionstomografi (PET) File för att bistå vid fastställandet av den kurs i patientvården. Medan läkare använder dessa bilder att kvalitativt bedöma patientens diagnos, kan det finnas ytterligare kvantitativa funktioner som kan extraheras för att vägleda patienten vård. Skälet är att dessa funktioner kan företräda proteomiska och genomisk mönster uttrycks på makroskopisk skala1. Kombinera denna kvantitativa information med aktuell klinisk information, t.ex., patientdemografi, tillåta mer individualiserad vård. Detta är teorin bakom radiomics: har analys av bilder på en voxel-nivå. Funktionerna som vanligtvis delas in i 5 huvudkategorier: grå nivå Samförekomst matris, grå nivå kör längd matris, stadsdelen intensitet skillnaden matris, histogram och form.
Imaging biomarkör Explorer (IBEX) är ett open-source verktyg för radiomics arbete2. Det grafiska användargränssnittet (GUI) har utvecklats vid MD Anderson Cancer Center med målet att underlätta utvinning och beräkning av kvantitativa funktioner att bistå i beslutsfattandet i cancervården. En källa koden3 och en fristående4 version finns tillgängliga online. IBEX beräknar de 5 vanligaste kategorierna av funktioner som används i medicinska radiomics med parametrar som kan anges för varje funktion. Kategorierna är: grå nivå Samförekomst matrix5, grå nivå kör längd matrix6,7, intensitet, stadsdelen intensitet skillnaden matris8och form. Eftersom IBEX är öppen källkod, tillåter det för harmoniserade funktionen extraktion resultat över institutioner att enkelt jämföra olika radiomics studier. Alla funktioner inom IBEX beskrivs i det inledande papperet av Zhang et al. 2
Syftet med detta manuskript är att ge vägledning om hur du använder IBEX och visa dess tillämpningar genom expertgranskade publicerade studier från MD Anderson radiomics gruppen. Sedan dess release för allmänheten i 2015, har IBEX använts att beräkna funktioner från CT, PET och MRI scan bilder av gruppen MD Anderson radiomics vanligtvis undersöker funktioner för att förbättra kliniska överlevnad modeller9,10, 11,12,13,14,15,16,17,18,19,20 och utanför institutioner21,22,23,24. Ytterligare vägledning om programvaruverktyg som kan användas för stegen i radiomics forskning som inte ingår i IBEX kan hittas i domstolen o.a. 25
En allmän introduktion till arbetsflödet av IBEX hjälper till att organisera data ordentligt innan du börjar radiomics projekt utnyttja Stenbock. Om importerar DICOM-bilder, kräver IBEX att varje patient har sin egen mapp med deras DICOM-bilder. DICOM-strålning struktur set är valfritt att inkludera i mappen patienten, men rekommenderas istället för att använda contouring plattformen i IBEX. För att bistå med att importera alla patienter för en särskild studie, kan alla patientens mappar placeras i en mapp tillsammans så att alla data kan importeras till Stenbock med bara ett steg. Om importerar patienter från Pinnacle, är det bäst att ha struktur med patientens planen. Som patienter kan ha flera bild uppsättningar och planer inom Pinnacle, är det bäst för att veta vilken bild inställd och planen är korrekta innan du importerar. Om beräkningstiden är ett bekymmer, kan att minska antalet bildsegment för en patient drastiskt minska tid. Till exempel om bara levern är av intresse i en studie men patienterna som har kan hela kroppen CT skanningar, minska DICOM-skivor för bara omfattningen av området av intresse förkorta beräkningstiden (t.ex., att minska DICOM från 300 skivor till 50 skivor kan ta 1/6t h tiden). Det finns olika verktyg tillgängliga för att utföra denna skiva minskning, från manuella till halvautomatiska.
Protocol
Representative Results
Discussion
IBEX är ett kraftfullt verktyg för medicinsk imaging radiomics forskning. Det har hittills främst använts för strålning onkologi ändamål i studier som utförts av gruppen MD Anderson radiomics. IBEX tillåter manipulering av ROIs och beräkning av funktioner inom 5 viktigaste funktionen kategorier. Den källa kod versionen av IBEX tillåter användaren att designprogram som inte redan är en del av Stenbock, t.ex grå nivå zonen matris funktioner.
De viktigaste stegen i IBEX är den i…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Rachel Ger finansieras av av Rosalie B. Hite Graduate Fellowship och American Legion Auxiliary gemenskap. Carlos Cardenas har finansierats av George M. Stancel PhD gemenskap inom biomedicinsk vetenskap. Utvecklingen av IBEX finansierades av 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)
