使用成像生物标志物探险家 (野山羊) Radiomics 的指南和经验
2018年1月8日
我们描述了一种用于医学影像 radiomics 研究的开源工具, 以及如何使用这个工具。此外, 一些已出版的作品, 已使用野山羊的不确定性分析和模型建设展示。
该软件工具的总体目标是提取落入形状或纹理的定量图像特征，例如灰度共生矩阵类别。该工具可用于回答放射组学领域的一些关键问题。例如，您可以提取定量图像特征，并查看它们与放射治疗中患者结果之间的相关性。
这种技术的主要优点是它是开源的，易于使用，并且人们使用它来提取特征以用于预测模型的历史由来已久。影像组学有可能提供有关肿瘤对某些治疗的可能反应的信息，因此可以提供临床工作人员在确定替代疗法的适当性时可以使用的额外信息。影像组学可以提供对肿瘤表型的见解，它也可以应用于同种异体，例如在整个治疗过程中定量更多组织的变化。
通常，刚接触这种方法的人会很困难，因为为不同的功能（例如位深度重采样）选择正确的设置很重要，因此注意这些设置至关重要。视觉演示至关重要，因为有许多步骤和细节。仔细关注细节对于放射组学研究的良好结果很重要。
首先，安装随附文本 protocol 中描述的 IBEX。安装后，加载 IBEX 并创建一个新用户，以便导入和保存您的数据。接下来，单击导入图标，然后单击格式名称选择 DICOM 或 Pinnacle 文件版本 9 格式，然后单击下一步。
要一次导入所有患者，请选中右上角的批处理文件夹框，然后单击所列目录旁边的 more 按钮。选择包含所有患者文件夹及其相应 DICOM 图像和辐射 DICOM 结构文件的文件夹。最后，单击退出按钮。
首先，首先单击数据图标来加载 patient 文件。然后在 select a patient （选择患者） 部分中，单击要打开的所需 patient 文件。接下来，在 select image set 部分中，单击所需 patient 文件的图像集，然后单击 open 按钮。
使用箭头滚动浏览轴向、冠状面和矢状面视图中显示的图像。然后，选择缩放按钮并在图像平面上绘制一个要缩放的框。右键单击图像可缩小。
接下来，单击窗口级别按钮。会弹出另一个按钮，当它弹出时，将左右两侧拖动到所需区域，或者在新窗口底部的窗口和级别框中手动输入窗口级别。使用左侧的第一个下拉菜单选择不同的窗口级别。
CT 有 8 个选项，PET 有 1 个选项。通过单击感兴趣区域旁边的框使其在图像上可见，或单击"在所有 ROI 上"按钮打开所有感兴趣区域，以可视化感兴趣区域。接下来，准备数据集以查看等值线。
为此，首先单击 show data set 按钮以查看数据集中的等值线。查看数据集后，关闭窗口。这是一个新用户，其中包含刚刚导入的患者，因此我们还没有创建数据集。
然后，通过单击等值线名称旁边的复选框选择要添加到数据集的等值线，然后单击 add to data set 按钮。单击数据集的名称以添加等值线，或单击新数据集的 New 按钮。如果选择了 new，请在新窗口中输入数据集的名称，然后单击 OK 按钮。
完成后，单击 exit 按钮以返回到 patient 和 scans 列表。单击特征图标，并根据需要添加预处理，方法是单击 add 按钮并从新窗口的下拉菜单中选择预处理选项。接下来，单击 Parameters （参数） 下的 i 以选择预处理参数。
选择值列下的数字，键入新参数值，然后单击 OK 按钮。预处理方法和具体参数的描述，点击右上角的问号按钮。满意后，单击 add 按钮以添加预处理步骤。
要删除不需要的预处理步骤，请选择预处理步骤，然后单击 delete。在特征类别菜单中，选择相邻强度差 25 特征类别中的灰度级余率矩阵 25，分别计算 2.5D 中的灰度共生矩阵和邻域强度差值矩阵。这是通过单独计算每个切片，然后将所有矩阵相加来实现的。
另一种选择是在相邻强度差三个特征类别中选择灰度共现 3，以分别计算 3D 中的灰度共生矩阵和邻域强度差值矩阵。单击 I 可查看该特征类别的选定参数。要更改参数，请输入新值，然后单击 OK 按钮。
有关更多信息，请单击右上角的问号。正确设置所有参数后，单击测试按钮，通过单击所需功能或类别旁边的按钮来查看功能类别或特定功能。选择要查看测试的数据集，然后单击 open 按钮。
选中所选数据集中患者旁边的框，然后单击测试按钮。对测试满意后关闭窗口。取消选中所选类别的任何不需要的要素。
要取消选中所有功能，请单击单词 features"在第二组，features。为了添加所有选定的特征和选定的预处理，请单击 add to feature set 按钮。选择名称和功能集，然后单击 open 按钮，或者，要将这些功能添加到新功能集，请单击 new 按钮。
在新窗口中输入功能集的名称，然后单击 OK（确定）。接下来，单击 show feature set 按钮以查看具有相应预处理技术的特征。选择要查看的功能集，然后单击 open（打开）。观察下拉菜单中的预处理参数和特征类别。
通过单击 parameters 下的 I 按钮来编辑它们。完成后，关闭窗口。在主功能窗口中，单击 show data set 按钮可查看当前数据集。
然后，选择要查看的数据集，然后单击 open 按钮。完成后，单击 exit 按钮。为了准备输出，首先单击结果图标，然后单击要运行特征的数据集，在步骤 1 下，然后单击要在步骤 2 下的选定数据上运行的特征集。
接下来，单击 view data 按钮查看所选数据集，然后单击 view feature 按钮查看所选特征集。最后，单击 compute and save result（计算并保存结果）按钮。输入结果的文件名，然后选择 保存。
IBEX 的输出是一个包含三个工作表的电子表格。此处显示的是更复杂的输出，与本教程视频中相比，具有更多的感兴趣区域和所选特征。第一个工作表包含数据集中每个感兴趣区域的特征值。
对于灰度共现矩阵和灰度游程矩阵特征，将为计算矩阵的每个方向输出一个值，以及一个指定为 333 的所有方向的平均矩阵。第四行表示特征类别，第五行表示该列的标题，指定索引、图像、感兴趣区域、MRN 或特定特征。第二个工作表包含数据信息。
这是有关从中获得感兴趣区域的图像的信息，例如 X、Y 和 Z voxyl 尺寸。第三个工作表包含特征信息。要素按其类别进行分隔。
特征类别的参数列在第二列中。该类别的所有选定要素都列在第三列中。第五列显示应用于特征的预处理，第六列显示预处理的参数。
一旦掌握，此工具可用于有效地从医学图像中提取纹理数据。请务必记住仔细查看所有数据，包括确保预处理和其他特征设置很重要。例如，使用 IBEX 审阅工具仔细审阅后处理图像。
开发后，这项技术为放射组学领域的研究人员铺平了道路，以探索使用图像对患者进行分层，以获得局部区域控制和癌症患者等结果。看完这个视频，你应该对如何使用 IBEX 从医学图像中提取图像特征有了很好的了解。然后，您可以将这些图像特征放入统计或机器学习方法中，以了解有关肿瘤表型的知识。
查看完整文字稿并访问数千部科学视频
概述
IBEX是一个开源工具，专为医学影像组学研究而设计，能够提取与形状和纹理相关的定量图像特征。该工具促进了组学研究中的不确定性分析和模型构建。
关键研究组成部分
科学领域
- 医学影像
- 组学
- 定量分析
背景
- 组学涉及从医学影像中提取特征以预测患者预后。
- IBEX用户友好，并有在预后模型中应用的历史。
- 该工具支持研究理解肿瘤对治疗的反应。
- 它可以量化整个治疗过程中组织的变化。
研究目的
- 提供一个全面的工具用于提取组学中的图像特征。
- 增强对图像特征与患者预后之间关联的理解。
- 支持模型构建中的不确定性分析。
使用的方法
- 使用IBEX提取定量图像特征。
- 通过灰度共现矩阵类别分析形状和纹理特征。
- 在评估肿瘤治疗反应中应用组学。
- 展示使用IBEX进行不确定性分析的已发表作品。
主要结果
- IBEX促进了预后模型中相关图像特征的提取。
- 展示了提供肿瘤表型见解的潜力。
- 突出了工具的易用性和开源性质。
- 展示了在临床研究中的成功应用。
结论
- IBEX是组学领域研究人员的宝贵资源。
- 该工具增强了分析和解释医学影像数据的能力。
- 它支持开发可以为治疗决策提供信息的模型。
常见问题
Executive Industry Relevance
Quantitative radiomics platforms like IBEX enable biopharma teams to extract reproducible imaging biomarkers, supporting mechanistic de-risking and predictive model development in oncology and other therapeutic areas. Standardized feature extraction from DICOM images enhances translational continuity and informs early go/no-go decisions for biomarker-driven portfolios. IBEX's open-source, parameterized workflow supports scalable, cross-study imaging analytics for enterprise R&D.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables systematic extraction of imaging features for hypothesis-driven biomarker discovery.
- Supports mechanistic de-risking by quantifying tumor phenotype and tissue heterogeneity.
- Facilitates robust target validation through standardized, quantitative imaging outputs.
Screening & Assay Development
- Prepares validated imaging feature sets for downstream statistical and machine learning analyses.
- Ensures reproducibility and comparability of quantitative outputs across studies and cohorts.
- Enables scalable screening of imaging biomarkers for predictive model integration.
Translational & Preclinical Research
- Aligns imaging feature extraction with translational biomarker strategies in preclinical and clinical datasets.
- Supports continuity from discovery imaging to survival model development and outcome stratification.
- Reduces translational risk by standardizing feature calculation and parameter documentation.
Pipeline & Workflow Integration
IBEX integrates into the imaging biomarker pipeline from early discovery through translational research, supporting feature extraction, data harmonization, and model-ready output generation.
- Discovery Biology: Quantitative feature extraction enables hypothesis testing and pathway analysis in imaging datasets.
- Screening: Standardized preprocessing and feature selection ensure assay readiness and reproducibility.
- Analytics: Spreadsheet outputs provide structured, quantitative data for statistical comparison and model building.
- Translational Research: Supports biomarker alignment and risk-adjusted advancement decisions in preclinical and clinical imaging studies.
- Enterprise Reuse: Open-source architecture and parameter transparency facilitate cross-project and cross-site adoption.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in imaging biomarker research.
- Operational Value: Delivers standardized, reproducible, and scalable imaging feature extraction workflows.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by enabling robust imaging analytics.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of biomarker-driven programs.
Implementation Considerations
- Requires expertise in imaging analysis and radiomics feature interpretation.
- Needs access to DICOM imaging data and compatible computational infrastructure.
- Demands cross-team standardization of preprocessing and feature selection parameters.
- Adaptation across imaging modalities and disease models may require parameter optimization.
- Careful review of preprocessing and feature settings is critical for reproducibility and data integrity.
