Lignes directrices et l’expérience à l’aide d’imagerie biomarqueur Explorer (IBEX) pour Radiomics
Summary
Nous décrivons des BOUQUETINS, un outil open source conçu pour des études d’imagerie médicales de radiomics et comment utiliser cet outil. En outre, certaines œuvres publiées qui ont utilisé IBEX pour l’analyse de l’incertitude et le modèle de bâtiment sont à l’honneur.
Abstract
Imagerie des biomarqueurs Explorer (IBEX) est un outil open source pour le travail de radiomics d’imagerie médicale. Le but de cet article est de décrire la façon d’utiliser l’interface graphique (GUI) de BOUQUETINS et de démontrer comment IBEX calculé caractéristiques ont été utilisés dans les études cliniques. IBEX permet pour l’importation d’images DICOM DICOM radiation therapy structure fichiers ou Pinnacle. Une fois que les images sont importées, IBEX a outils dans le GUI de sélection de données pour manipuler l’affichage des images, les valeurs de mesure voxel et distances et de créer et de modifier le périmètre de rayonnement. IBEX est livré avec 27 choix de fonction prétraitement et 132 à concevoir des ensembles de fonctionnalités. Chaque catégorie de prétraitement et de fonctionnalité possède les paramètres pouvant être modifiés. La sortie de l’IBEX est une feuille de calcul qui contient : 1) chaque fonctionnalité de la fonction de la valeur calculée pour chaque contour dans un ensemble de données, les informations d’image 2) sur chaque contour dans un ensemble de données et 3) un résumé du prétraitement et fonctionnalités utilisées avec leurs sélectionnés paramètres. Caractéristiques calculées à partir de BOUQUETINS ont été utilisés dans des études pour tester la variabilité des caractéristiques dans des conditions différentes d’imagerie et des modèles de survie afin d’améliorer les modèles cliniques actuels.
Introduction
En médecine, diagnostic des patients généralement intègre un grand nombre d’examens diagnostiques comme les rayons x, échographie, la tomodensitométrie (TDM), imagerie (IRM), par résonance magnétique et de tomographie par émission de positrons (PET) scanne pour aider à déterminer la cours de soins aux patients. Alors que les médecins utilisent ces images pour évaluer qualitativement diagnostic du patient, il peut y avoir des caractéristiques quantitatives supplémentaires qui peuvent être extraites afin de guider les soins aux patients. Le raisonnement est que ces fonctionnalités peuvent représenter de protéomique et génomiques motifs exprimés à l’ échelle macroscopique1. Combinant ces informations quantitatives avec les informations cliniques actuelles, par exemple, données sur le patients, peut permettre plus individualisée des soins aux patients. Il s’agit de la théorie derrière radiomics : analyse d’images sur un niveau de voxel en vedette. Les caractéristiques généralement regroupés en 5 catégories : matrice de co-occurrence des niveaux, la matrice de longueur de course niveau gris, quartier intensité différence matrice, histogramme et forme de gris.
Imagerie des biomarqueurs Explorer (IBEX) est un outil open source pour radiomics travail2. L’interface utilisateur graphique (GUI) a été développé au MD Anderson Cancer Center, dans le but de faciliter l’extraction et le calcul des caractéristiques quantitatives afin d’aider à la prise de décision dans le traitement du cancer. Une source code3 et une version stand-alone4 sont disponibles en ligne. IBEX calcule 5 catégories principales fonctionnalités utilisées en médecine radiomics avec des paramètres qui peuvent être définies pour chaque catégorie de fonction. Les catégories sont : gris de matrice de co-occurrence des niveaux5, longueur de course niveau gris matrice6,7, intensité, quartier intensité différence matrice8et forme. IBEX est open source, il permet pour résultats d’extraction harmonisées dans les institutions de comparer facilement les différents radiomics études. Toutes les fonctions au sein de l’IBEX sont décrits dans le document initial par Zhang et al. 2
Le but de ce manuscrit est de fournir des conseils sur la façon d’utiliser IBEX et de démontrer ses applications par le biais de pairs des études publiées par le groupe de radiomics MD Anderson. Depuis sa sortie au public en 2015, IBEX a été utilisé pour calculer les caractéristiques de CT, MRI et PET scan images par le groupe de radiomics MD Anderson, étudie généralement des fonctionnalités pour améliorer la survie clinique modèles9,10, 11,12,13,14,15,16,17,18,19,20 et par les institutions extérieures21,22,23,24. On trouvera des indications supplémentaires sur les outils logiciels qui peuvent être utilisés pour les étapes de recherche de radiomics qui ne sont pas inclus dans l’IBEX en Cour et al. 25
Une introduction générale au workflow de BOUQUETINS vous aidera à organiser les données correctement avant de commencer le radiomics projets utilisant IBEX. Si l’importation d’images DICOM, IBEX exige que chaque patient aient leur propre dossier avec leurs images DICOM. DICOM rayonnement structure ensemble est facultatif d’inclure dans le dossier patient, mais il est recommandé plutôt que d’utiliser la plate-forme de contournage IBEX. Pour faciliter l’importation de tous les patients pour une étude spécifique, tous les dossiers de patients peuvent être assemblés dans un seul dossier afin que toutes les données peuvent être importées dans l’IBEX en utilisant qu’une seule étape. Si importer les patients de Pinnacle, il est préférable d’avoir la structure définie avec le plan de la patient. Car les patients peuvent avoir plusieurs ensembles d’images et de plans au sein de Pinnacle, c’est mieux de savoir quel ensemble images et plan sont corrects avant de l’importer. Si le temps de calcul est un sujet de préoccupation, la réduction du nombre de tranches de l’image pour un patient peut réduire considérablement temps. Par exemple, si seul le foie est d’un intérêt dans une étude, mais les patients ont complet du corps CT scans, réduisant les tranches DICOM à seulement l’étendue de la zone d’intérêt peuvent raccourcir le temps de calcul (p. ex., réduction de la DICOM de tranches de 300 à 50 tranches peut prendre 1/6 t h la fois). Il existe différents outils disponibles pour réaliser la réduction de cette tranche, manuelle ou semi-automatique.
Protocol
Representative Results
Discussion
Bouquetin est un outil puissant pour la recherche en imagerie médicale radiomics. Il a jusqu’ici surtout été utilisé à des fins d’oncologie de rayonnement dans les études menées par le groupe de radiomics MD Anderson. IBEX permet pour la manipulation des ROIs et le calcul des caractéristiques au sein de 5 catégories de caractéristique principale. La version de code source de BOUQUETINS permet à l’utilisateur pour les applications de conception qui ne font pas déjà partie du bouquetin, par exemple des ?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Rachel Ger est financé par le B. de Rosalie Hite Graduate Fellowship et American Légion auxiliaire Fellowship. Carlos Cardenas a été financé par la bourse de George M. Stancel PhD en Sciences biomédicales. Le développement de l’IBEX a été financé par le 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)
