Руководящие принципы и опыт использования изображений биомаркер Explorer (Козерог) для Radiomics
Summary
Мы описываем ИБЕКС, открытым исходным кодом инструмент, предназначенный для медицинских изображений radiomics исследования и как использовать этот инструмент. Кроме того представлены некоторые опубликованных работ, которые использовали горные козлы для анализа неопределенности и модели здания.
Abstract
Визуализации биомаркер Explorer (Козерог) является открытым исходным кодом инструмент для медицинских изображений radiomics работы. Цель этого документа заключается в описывают, как использовать IBEX в графический интерфейс пользователя (GUI) и продемонстрировать, как Козерог вычисляемые компоненты были использованы в клинических исследованиях. IBEX позволяет для импорта изображений DICOM с DICOM лучевой терапии структуры файлов или Pinnacle. После импорта изображения, ИБЕКС имеет инструменты в GUI выбор данных для манипулировать просмотра изображений, мера voxel ценностей и расстояния и создания и редактирования контуров. IBEX поставляется с 27 предварительной обработки и 132 функция выбора для разработки наборов компонентов. Каждая категория препроцессирование и функция имеет параметры, которые могут быть изменены. Выход из IBEX является электронную таблицу, которая содержит: 1) каждой функции от рассчитанных для каждого контура в наборе данных, 2) изображение информацию о каждом контуре в набор данных и 3) резюме препроцессирования набор функций и функций, используемых с их выбрали параметры. Особенности, рассчитывается от КОЗЕРОГА были использованы в исследованиях для тестирования изменчивость характеристик различных изображений условиях и в моделях выживания для улучшения текущих клинических модели.
Introduction
В медицине, диагноз пациента болезни обычно включает в себя большое количество диагностических экзаменов, таких как рентген, ультразвук, компьютерная томография (КТ), магнитно-резонансная томография (МРТ), и позитронно-эмиссионная томография (ПЭТ) сканирует для оказания помощи в определении курс ухода за пациентами. Хотя врачи используют эти образы качественно оценить диагноз пациента, могут быть дополнительные количественные характеристики, которые могут быть извлечены для ухода за пациентами. Это объясняется тем, что эти возможности могут представлять протеомных и геномных шаблоны, выраженные на макроскопический масштаб1. Сочетание этой количественной информации с текущей клинической информации, например, пациент демографии, может позволить более индивидуального ухода за пациентами. Это теория позади radiomics: есть анализ изображений на уровне вокселей. Функции обычно делятся на пять основных категорий: серый уровней матрица, матрица серый уровень запуска Длина, окрестности матрица разница в интенсивности, гистограммы и форму.
Imaging биомаркер Explorer (Козерог) является открытым исходным кодом инструментом для radiomics работы2. Графический интерфейс пользователя (GUI) была разработана в MD Anderson Cancer Center с целью облегчения извлечения и расчет количественных характеристик для оказания помощи в принятии решений в лечении рака. Исходный код3 и автономных4 версии доступны в Интернете. IBEX вычисляет 5 наиболее распространенных категорий функций, используемых в медицинских radiomics с параметрами, которые могут быть установлены для каждой категории функций. Категории: серый уровней матрицы5, серый уровень запуска длина матрицы6,7, интенсивности, окрестности интенсивности разница матрица8и форму. Так как Козерог является открытым исходным кодом, он позволяет согласованные функции извлечения результаты через учреждения легко сравнить различные radiomics исследования. Все функции внутри IBEX описаны в первоначальный документ Чжан и др. 2
Цель этой рукописи должен дать указания о том, как использовать горные козлы и продемонстрировать свои приложения через рецензируемых опубликованных исследований из группы radiomics MD Андерсон. С момента выпуска для общественности в 2015 году ИБЕКС был использован для расчета функций из ПЭТ КТ и МРТ сканирование изображений в группе radiomics MD Андерсон, обычно расследует функций для улучшения клинических выживания модели9,10, 11,12,13,14,,1516,,1718,19,20 и внешних учреждений21,22,23,24. Дополнительные указания на программные средства, которые могут быть использованы для шагов в radiomics исследованиях, которые не включаются в КОЗЕРОГА можно найти в суде и др. 25
Общее введение в процесс IBEX поможет правильно организовать данные перед началом radiomics проектов, используя КОЗЕРОГА. Если импорт изображений DICOM, Козерог требует, чтобы каждый пациент свои собственные папки с их изображениями DICOM. DICOM излучения структуры набор необязательно включать в папке пациента, но рекомендуется вместо использования платформы Контурная в Козерог. Чтобы помочь с импорт всех больных для проведения конкретного исследования, все пациента папки могут быть помещены в одну папку вместе так, что все данные могут быть импортированы в Козерог, используя только один шаг. Если импорт пациентов от Pinnacle, лучше иметь структуру с планом пациента. Как пациенты могут иметь несколько наборов изображений и планов в Pinnacle, это лучше всего знать, какой образ установки и план правильно перед импортом. Если время вычислений является серьезной проблемой, сокращение числа фрагментов изображения для пациента может существенно снизить время. Например если только печени представляет интерес в исследовании, но пациенты имеют тела КТ сканирования, уменьшение DICOM ломтики только в пределах области интересов может сократить время вычислений (например, сокращение DICOM от 300 фрагментов до 50 ломтики может занять 1/6т h время). Существуют различные инструменты, доступные для выполнения этого фрагмента сокращения, от ручной полуавтоматический.
Protocol
Representative Results
Discussion
Козерог является мощным инструментом для медицинских изображений radiomics исследований. Он до настоящего времени главным образом был использован для целей радиационной онкологии в исследованиях, проведенных группой radiomics MD Андерсон. IBEX позволяет для манипуляции трансформирования и рас?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Рэйчел Ger финансируется Розали б. Хайт стипендий и Американский легион вспомогательные стипендий. Карлос Карденас финансировалась Джордж м. ШТАНСЕЛЬ PhD стипендии в области биомедицинских наук. Разработка IBEX финансировался 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)
