הנחיות וניסיון באמצעות הדמיה סמן Explorer (יעל) עבור Radiomics
概要
אנו מתארים יעל, כלי קוד פתוח המיועדת ללימודי הרפואה radiomics הדמיה, וכיצד להשתמש בכלי זה. בנוסף, כמה עבודות שפורסמו השתמשו יעל לניתוח אי ודאות, דגם בניין הן לראווה.
Abstract
הדמיה סמן Explorer (יעל) הוא כלי פתוח לעבודה radiomics דימות רפואי. מטרת המאמר היא לתאר איך להשתמש של יעל ממשק משתמש גרפי (GUI) כדי להדגים איך יעל מחושב תכונות השתמשו במחקרים קליניים. יעל מאפשרת ייבוא תמונות DICOM עם DICOM קרינה טיפול מבנה קבצים או פסגת קבצים. ברגע התמונות מיובאות, יעל יש כלים בתוך GUI מבחר נתונים כדי לתפעל את הצגת התמונות, למדוד מרחקים, וערכים voxel ולא ליצור ולערוך קווי המתאר. יעל מגיע עם 27 preprocessing ו- 132 כוללים אפשרויות לעיצוב תכונה מגדירה. לכל קטגוריה preprocessing וכוללים יש פרמטרים יכול להשתנות. הפלט של יעל היא גיליון אלקטרוני הכולל: 1) כל תכונה מן תכונה להגדיר מחושבת עבור כל קו מתאר בערכת נתונים, תמונה 2) מידע על מתאר כל ערכת נתונים, ו 3) סיכום של preprocessing התכונות המשמשות עם הנבחרת שלהם פרמטרים. תכונות שמחושבים יעל שימשו במחקרים לבחון את ההשתנות של תכונות בתנאים הדמיה שונים במודלים הישרדות לשיפור קליני המודלים הנוכחיים.
Introduction
ברפואה, אבחון מחלת המטופל בדרך כלל משלבת מספר רב של בחינות אבחון כגון צילומי רנטגן, אולטרסאונד, טומוגרפיה (CT), תהודה מגנטית הדמיה (MRI), וסריקות טומוגרפיה פליטת פוזיטרונים (PET) כדי לסייע בקביעת קורס הטיפול בחולה. בעוד הרופאים להשתמש בתמונות אלה להעריך איכותית אבחון של המטופל, ייתכנו תכונות כמותיות נוספות אשר ניתן לחילוץ להנחות את הטיפול בחולה. הרציונל הוא כי תכונות אלה עשוי לייצג פרוטיאומיה מבנית ודפוסי גנומית לידי ביטוי את סולם מאקרוסקופית1. שילוב מידע כמותי זה עם המידע הקליני הנוכחי, למשל, המטופל דמוגרפיה, עשוי לאפשר יותר תגובותיהם בחולה. . זו התיאוריה מאחורי radiomics: כוללים ניתוח של תמונות ברמה voxel. התכונות מתחלקות בדרך כלל 5 קטגוריות עיקריות: אפור מופע משותף ברמה מטריקס, אפור אורך הריצה רמת מטריקס, השכונה בעוצמה ההבדל מטריקס, היסטוגרמה ודו צורה.
הדמיה סמן Explorer (יעל) הוא כלי קוד פתוח עבור עבודה radiomics2. ממשק המשתמש הגרפי (GUI) פותחה ב MD Anderson Cancer Center במטרה להקל את חילוץ וחישוב של תכונות כמותיות כדי לסייע בקבלת החלטות בטיפול בסרטן. קוד מקור3 וגירסה עצמאי4 זמינים באינטרנט. יעל מחשבת 5 הקטגוריות הנפוצות ביותר של תכונות בשימוש רפואי radiomics עם הפרמטרים שניתן להגדיר עבור כל קטגוריה תכונה. הקטגוריות הם: אפור מטריקס מופע משותף ברמת5,6,של מטריצה אפור אורך הריצה ברמה7, בעוצמה, השכונה בעוצמה ההבדל מטריקס8, ו צורה. מאז יעל הוא קוד פתוח, זה מאפשר תכונה ההרמונית הפקת תוצאות על פני מוסדות להשוות בקלות בין מחקרים שונים radiomics. כל התכונות בתוך יעל מתוארים בעיתון הראשונית על ידי ג’אנג. et al. 2
מטרתו של כתב יד זה נועד לספק הדרכה על איך להשתמש יעל כדי להדגים וביישומיה דרך מחקרים שפורסמו לאורגזמות מקבוצת radiomics MD אנדרסון. מאז השקתו לציבור בשנת 2015, יעל שימש לחישוב תכונות מתמונות סריקת CT, PET ו- MRI ע י קבוצת radiomics MD אנדרסון, בדרך כלל לחקור תכונות כדי לשפר את ההישרדות קליניים מודלים9,10, 11,12,13,14,15,16,17,18,19,20 ועל ידי מחוץ למוסדות21,22,23,24. ניתן למצוא הדרכה נוספים על כלי תוכנה יכול לשמש עבור השלבים במחקר radiomics שאינם כלולים ביעל המשפט. et al. 25
מבוא כללי זרימת העבודה של יעל יסייע לארגון נתונים כראוי לפני התחלת פרויקטים radiomics ניצול יעל. אם ייבוא תמונות DICOM, יעל מחייב כל מטופל משלהם תיקיה עם תמונות שלהם DICOM. DICOM קרינה מבנה קבע הוא אופציונלי לכלול התיקייה, אך מומלץ במקום להשתמש פלטפורמת contouring יעל. כדי לסייע עם ייבוא כל המטופלים למחקר ספציפי, כל התיקיות החולה ניתן להציב לתוך תיקיה אחת ביחד כך כל הנתונים עשוי ניתן לייבא ליעל באמצעות צעד אחד בלבד. אם ייבוא חולים מ- Pinnacle, זה הכי טוב שיש את מבנה קבע עם התכנית המטופל. כפי חולים אולי מספר תמונות ערכות ותוכניות בתוך Pinnacle, זה הטוב ביותר לדעת איזו תמונת להגדיר תוכנית נכונים לפני הייבוא. אם חישוב זמן היא דאגה, צמצום מספר בפרוסות ‘ תמונה ‘ עבור חולה יכול להפחית באופן דרסטי זמן. לדוגמה, אם רק הכבד הוא עניין במחקר אבל החולים יש סריקות גוף מלא CT, להפחית את הפרוסות DICOM רק במידה של האזור עניין יכול לקצר זמן חישוב (למשל, צמצום של DICOM מ 300 פרוסות פרוסות 50 יכול לקחת 1/6t h הזמן). ישנם כלים שונים זמינים לבצע הפחתה זו פרוסה, החל מידנית ועד חצי אוטומטי.
Protocol
Representative Results
Discussion
יעל היא כלי רב עוצמה עבור מחקר radiomics דימות רפואי. זה עד כה בעיקר שימש למטרות אונקולוגיה קרינה מחקרים שנערכו על ידי קבוצת radiomics MD אנדרסון. יעל מאפשר מניפולציה של ROIs וחישוב של תכונות בתוך 5 קטגוריות התכונה העיקרית. הגירסה קוד מקור של יעל מאפשר למשתמש יישומי עיצוב שעדיין אינן חלק יעל, כגון תכונו…
開示
The authors have nothing to disclose.
Acknowledgements
חסידות גור רחל ממומן על ידי רוזלי ב הייט מלגת בוגר ואחווה אמריקאי הלגיון עזר. מחקריו זכו למימון קרלוס קרדנס לאחווה. ג’ורג ‘ מ Stancel PhD במדעים הביו-רפואית. הפיתוח של יעל מומן על ידי 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. |
参考文献
- 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)
