Directrices y experiencia en el uso de biomarcadores Explorer (IBEX) la proyección de imagen de Radiomics
概要
Describimos a IBEX, una herramienta de código abierto diseñada para que estudios de radiomics proyección de imagen médica y cómo utilizar esta herramienta. Además, se exhiben algunos trabajos publicados que han utilizado el IBEX para el análisis de incertidumbre y construcción del modelo.
Abstract
Imaging Biomarker Explorer (IBEX) es una herramienta de código abierto para trabajo de radiomics proyección de imagen médica. El objetivo de este trabajo es describir cómo utilizar la interfaz de usuario gráfica del IBEX (GUI) y para demostrar cómo el IBEX calcula características se han utilizado en estudios clínicos. IBEX permite la importación de imágenes DICOM con Pinnacle archivos o archivos de estructura de la terapia de radiación de DICOM. Una vez que las imágenes son importadas, IBEX tiene herramientas dentro de la interfaz de selección de datos para manipular la visualización de las imágenes, valores de voxel medida y distancias y crear y editar contornos. IBEX viene con 27 opciones de función de preprocesamiento y 132 diseñar conjuntos de características. Cada categoría de preprocesamiento y función tiene parámetros que pueden modificarse. La salida de IBEX es una hoja de cálculo que contiene: 1) cada característica del conjunto calculado para cada contorno en un conjunto de datos, 2) información sobre cada contorno en un conjunto de datos y 3) un resumen del proceso previo de características y funciones con sus seleccionados parámetros. Características calculadas del IBEX se han utilizado en estudios para probar la variabilidad de características bajo diferentes condiciones de proyección de imagen y modelos de supervivencia para mejorar modelos clínicos actuales.
Introduction
En medicina, diagnóstico de la enfermedad paciente normalmente incorpora un gran número de exámenes de diagnóstico como rayos x, ultrasonido, tomografía computada (CT), resonancia magnética (MRI), y exploraciones de tomografía por emisión de positrones (PET) para ayudar a determinar la curso de atención al paciente. Mientras que los médicos usan estas imágenes para evaluar cualitativamente el diagnóstico del paciente, puede haber características cuantitativas adicionales que se pueden extraer para guiar la atención del paciente. La razón es que estas características pueden representar proteómica y genómicos patrones expresados en la escala macroscópica1. Combinando esta información cuantitativa con la información clínica actual, por ejemplo, Demografía del paciente, puede permitir más individualizada atención al paciente. Esta es la teoría detrás de radiomics: disponen de análisis de imágenes a nivel de voxel. Las características típicamente se dividen en 5 categorías principales: gris matriz de co-ocurrencia nivel, gris longitud de ejecución nivel matriz, matriz de diferencia de intensidad de barrio, histograma y forma.
Imaging Biomarker Explorer (IBEX) es una herramienta de código abierto para radiomics de trabajo2. La interfaz gráfica de usuario (GUI) se desarrolló en el MD Anderson Cancer Center con el objetivo de facilitar la extracción y el cálculo de cuantitativos características para ayudar en la toma de decisiones en el tratamiento del cáncer. Una fuente código3 y una versión stand-alone4 están disponibles en línea. IBEX calcula las 5 categorías más comunes de características usadas en radiomics médica con los parámetros que se pueden establecer para cada categoría de característica. Las categorías son: gris de la matriz de co-ocurrencia nivel5gris longitud de ejecución nivel matriz6,7, intensidad, barrio intensidad diferencia matriz8y forma. Ya que el IBEX es de código abierto, permite resultados de extracción de característica armonizada a través de las instituciones para comparar fácilmente diferentes radiomics estudios. Todas las funciones dentro de IBEX son descritas en el documento inicial por Zhang et al. 2
El propósito de este manuscrito es proporcionar orientación sobre cómo utilizar IBEX y demostrar sus aplicaciones a través de estudios publicados revisados por pares del grupo de radiomics de MD Anderson. Desde su lanzamiento al público en el año 2015, IBEX se ha utilizado para calcular características de CT, PET y MRI exploración de imágenes por el grupo de radiomics de MD Anderson, normalmente investiga características para mejorar la supervivencia clínica modelos9,10, 11,12,13,14,15,16,17,18,19,20 y por fuera las instituciones21,22,23,24. Orientación adicional sobre herramientas de software que puede ser utilizado para los pasos en la investigación de radiomics que no están incluidos en el IBEX puede encontrarse en corte et al. 25
Una introducción general al flujo de trabajo de IBEX le ayudará a organizar los datos correctamente antes de iniciar proyectos de radiomics utilizando el IBEX. Si importar imágenes DICOM, IBEX requiere que cada paciente tiene su propia carpeta con sus imágenes DICOM. Conjunto de estructura de radiación DICOM es opcional incluir en la carpeta de paciente, pero se recomienda en lugar de utilizar la plataforma contorneada en IBEX. Para ayudar con la importación de todos los pacientes para un estudio específico, todas las carpetas de pacientes pueden juntarse en una misma carpeta para que todos los datos pueden importarse en IBEX utilizando tan sólo un paso. Si importar a pacientes de Pinnacle, es mejor que la estructura con el plan de paciente. Como los pacientes pueden tener múltiples conjuntos de imagen y planes dentro de Pinnacle, es mejor saber que imagen set y plan están correctos antes de importar. Si el tiempo de cómputo es una preocupación, reduciendo el número de divisiones de imagen para un paciente puede reducir drásticamente tiempo. Por ejemplo, si sólo el hígado es de interés en un estudio pero los pacientes tienen exploraciones de CT de cuerpo completo, reduciendo las rebanadas DICOM en sólo la medida del área de interés pueden acortar el tiempo de cómputo (p. ej., reduciendo el DICOM de rebanadas de 300 a 50 rebanadas puede tomar 1/6t h el tiempo). Existen diferentes herramientas disponibles para llevar a cabo esta reducción de la rebanada, de manual a semiautomático.
Protocol
Representative Results
Discussion
IBEX es una poderosa herramienta para la investigación de radiomics proyección de imagen médica. Se ha hasta ahora sobre todo utilizado para los propósitos de Oncología de radiación en estudios realizados por el grupo de radiomics de MD Anderson. IBEX permite manipulación de ROIs y cálculo de las características en 5 categorías de la característica principal. La versión de código fuente de IBEX le permite a las aplicaciones de diseño que ya no forman parte del IBEX, tales como características de la matriz …
開示
The authors have nothing to disclose.
Acknowledgements
Rachel Ger está financiado por la beca de postgrado de Rosalie B. Hite y American Legión auxiliar beca. Carlos Cardenas ha sido financiado por la beca de George M. Stancel PhD en las ciencias biomédicas. El desarrollo del IBEX fue financiado por el 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)
