Name: 使用成像生物标志物探险家 (野山羊) Radiomics 的指南和经验 (视频) | JoVE Journal
Uploaded: 2018-01-08T15:00:00.000+00:00
Duration: 10 min 17 s
Description: 了解如何使用开源工具IBEX从医学影像中提取形状和纹理等定量影像组学特征。该方法支持肿瘤治疗反应评估和预后模型构建，助力临床决策。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

Rachel Ger 获得了 Rosalie B. Hite 研究生奖学金和美国军团妇女辅助会奖学金的资助。Carlos Cardenas 获得了生物医学科学领域的 George M. Stancel 博士奖学金的资助。IBEX 的开发得到了美国国家癌症研究所（NCI，项目编号 R03 CA178495）的资助。

1. 安装 IBEX
注意：如需安装源代码版本，请转至步骤 1.1；或者，如需安装独立版本，请转至步骤 1.2。
<ol>
	<li>源代码版本
	<ol>
		<li>访问 IBEX 源代码版本网站3，下载 &#34;IBEX_Source.zip&#34; 和 &#34;How_to_use.pdf&#34; 文件。查阅 &#34;How_to_use.pdf&#34; 文件，了解使用最新 IBEX 版本的先决条件。 
		注：IBEX 仅支持 32 位和 64 位的 Matlab 版本 2011a 和 2014b。</li>
		<li>下载完成后，解压 &#34;IBEX_Source.zip&#34;，并将 \IBEX_Source 文件夹添加到本地路径中。 
		注：有关如何添加路径的说明，可参见软件参考页面中关于 &#34;add path&#34;26 的文档。</li>
		<li>在命令窗口中输入 &#34;IBEXMain&#34; 以启动 IBEX。</li>
	</ol>
	</li>
	<li>独立运行版本
	<ol>
		<li>访问 IBEX 独立运行版本网站4。若首次安装 IBEX，请进入 &#34;Dependencies&#34; 文件夹，下载并安装 &#34;MCRInstaller.exe&#34;、vc2005redist_x86_new.exe&#34; 和 &#34;vc2012redist_x86.exe&#34; 文件。从主页面下载 &#34;IBEX.exe&#34;、&#34;IBEX.ctf&#34;、&#34;IBEX.ini&#34; 和 &#34;How_to_use.pdf&#34; 文件至同一文件夹。查阅 &#34;How_to_use.pdf&#34; 文件，了解使用最新 IBEX 版本的先决条件。</li>
		<li>双击 &#34;IBEX.exe&#34; 以启动 IBEX。</li>
	</ol>
	</li>
</ol>
2. 设置位置
注意：图像将导入到此指定位置，本研究的数据也存储在此处。IBEX 重新启动时，会使用上次应用的位置作为默认位置。
<ol>
	<li>单击 &#34;位置&#34; 图标（图 1）。</li>
	<li>选择用户，或双击 &#34;新建用户&#34; 以创建新用户文件夹。若创建新用户文件夹，在新窗口中输入名称，然后单击 &#34;确定&#34; 按钮。</li>
	<li>在所选用户中选择站点，或双击 &#34;新建站点&#34; 以创建新站点文件夹。若创建新用户文件夹，在新窗口中输入名称，然后单击 &#34;确定&#34; 按钮。</li>
	<li>单击底部的 &#34;确定&#34; 按钮。</li>
</ol>
3. 导入图像
<ol>
	<li>单击 &#34;导入&#34; 图标（图1）。</li>
	<li>通过单击格式名称选择 DICOM 或 Pinnacle9（Pinnacle 文件版本 9）格式。如需导入 DICOM 图像，请转至步骤 3.3.1；如需导入 Pinnacle9 文件，请转至步骤 3.3.2。</li>
	<li>单击 &#34;下一步&#34; 按钮。
	<ol>
		<li>导入 DICOM 图像 
		注：如需逐个导入患者，请转至步骤 3.3.1.1；如需一次性导入多个患者，请转至步骤 3.3.1.2。
		<ol>
			<li>通过目录选择患者文件夹，逐个导入每位患者。
			<ol>
				<li>单击所列目录旁的 &#34;...&#34; 按钮，选择包含 DICOM 图像及放疗结构集 DICOM 文件（可选）的患者文件夹。 
				注：虽然导入结构集与患者文件一同导入仅为可选项，但强烈建议执行此操作。IBEX 内置轮廓勾画平台，但对于大规模数据集而言，该功能实用性有限。IBEX 可兼容来自商业软件平台的结构集，这些平台是放射肿瘤学家常用的轮廓勾画工具，从而显著简化工作流程。在研究中通常采用这种方式使用 IBEX。</li>
				<li>IBEX 完成 DICOM 文件搜索后，单击左下角的 &#34;导入&#34; 按钮，患者信息和详细信息框将被填充。</li>
				<li>对每位患者重复执行步骤 3.3.1.1.1 至 3.3.1.1.2。</li>
				<li>所有患者导入完成后，单击 &#34;退出&#34; 按钮。</li>
			</ol>
			</li>
			<li>通过勾选右上角的“批量文件夹”复选框，一次性导入所有患者。 
			&#8203;注：每位患者必须拥有一个独立的文件夹，其中包含其对应的 DICOM 文件。
			<ol>
				<li>单击所列目录旁的 &#34;...&#34; 按钮，选择包含所有患者文件夹及其对应 DICOM 图像和放疗结构集 DICOM 文件（可选）的文件夹。</li>
				<li>单击 &#34;导入&#34; 按钮。患者将被依次导入。所有患者导入完成后，单击 &#34;退出&#34; 按钮。</li>
			</ol>
			</li>
		</ol>
		</li>
		<li>Pinnacle 文件
		<ol>
			<li>在 &#34;\IBEX\ImportExport\ImportModule\Pinnacle9\Pinnacle9ImportMain.INI&#34; 文件中配置 Pinnacle 主机和数据库。在导入模块框中选择 Pinnacle 之前，请先单击 &#34;配置&#34; 按钮。</li>
			<li>选择正确的 Pinnacle 主机和数据库。</li>
			<li>输入患者的病历号（MRN）、姓氏或名字，然后单击窗口其他位置。</li>
			<li>单击 &#34;查询&#34; 按钮。</li>
			<li>在新窗口中选择患者，然后单击 &#34;传输&#34; 按钮。</li>
			<li>在新窗口中勾选该患者所需的图像集复选框，然后单击 &#34;确定&#34; 按钮。</li>
			<li>在标注为 &#34;数据已成功导入。&#34; 的新窗口中单击 &#34;确定&#34; 按钮。</li>
			<li>所有患者导入完成后，单击 &#34;退出&#34; 按钮。</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>
4. 查看图像和感兴趣区域（ROIs）
<ol>
	<li>点击 &#34;数据&#34; 图标（图1）。在图形用户界面（GUI）的上半部分“选择患者”&#34;患者文件&#34;部分中，点击所需的患者文件以打开。</li>
	<li>在图形用户界面（GUI）下半部分的“选择图像集”&#34;图像集&#34;部分中，点击所需患者文件的图像集。然后点击 &#34;打开&#34; 按钮。</li>
	<li>使用图像下方的箭头滚动浏览图像，图像将分别以轴向、冠状面和矢状面视图显示（从左至右）。</li>
	<li>点击 &#34;缩放&#34; 按钮（图2）以放大图像。在图像平面上绘制一个方框以进行缩放。右击可缩小图像。</li>
	<li>通过点击 &#34;交叉定位&#34; 按钮（图2）启用定位线。 
	注：出现的线条表示该切片在各个平面中的位置。使用箭头滚动时，这些线条会随之移动。</li>
	<li>点击 &#34;标尺&#34; 按钮（图2）以测量距离。按住鼠标左键并点击两个感兴趣的点之间进行测量。释放鼠标按钮可从显示区域中移除测量值。</li>
	<li>点击 &#34;CT值&#34; 按钮（图2）以测量体素的数值。将鼠标左键按在感兴趣的体素上，其数值将显示在GUI左侧颜色标尺下方。释放鼠标按钮可从显示区域中移除测量值。</li>
	<li>点击 &#34;窗宽/窗位&#34; 按钮（图2）以调节图像的窗宽/窗位。此时将弹出另一个窗口。可通过拖动左右两侧至所需区域，或在新窗口底部的“窗宽”和“窗位”输入框中手动输入窗宽/窗位值。使用左侧第一个下拉菜单（图2）选择不同的窗宽/窗位设置：CT有8种选项，PET有1种选项。</li>
	<li>使用左侧第二个下拉菜单（图2）选择不同的颜色标尺：共有9种选项可供选择。</li>
	<li>通过点击ROI旁的复选框使其在图像上可见，从而可视化感兴趣区域（ROI）；或点击 &#34;显示所有ROI&#34; 按钮以同时显示该患者的所有ROI。</li>
</ol>
5. 编辑 ROI
<ol>
	<li>通过点击左上角或底部中央的&#34;编辑 ROI&#34;按钮来编辑感兴趣区域（ROI）。通过点击其名称旁的复选框，选择要编辑的轮廓。</li>
	<li>使用&#34;微调轮廓&#34;按钮（图3），将已绘制的轮廓向内或向外推动。通过调整“微调轮廓”按钮旁边标有&#34;D&#34;的框中圆圈的大小，来控制调整范围。</li>
	<li>使用&#34;剪切轮廓&#34;按钮（图3）删除整个轮廓切片。按住鼠标左键，在需要删除的 ROI 周围绘制一个方框。</li>
	<li>绘制轮廓 
	&#8203;注：前往步骤 5.4.1 以通过连接点的方式绘制轮廓；前往步骤 5.4.2 以手绘方式绘制轮廓。
	<ol>
		<li>连接点：使用&#34;绘制轮廓 (1)&#34;按钮（图3），在每一层切片上点击轮廓周围的点，系统将用直线连接这些点以形成轮廓。通过点击第一个绘制的点，完成该切片上的 ROI。</li>
		<li>手绘：使用&#34;绘制轮廓 (2)&#34;按钮（图3）进行手绘轮廓。按住鼠标左键，在切片上自由绘制轮廓。返回所绘 ROI 的起点后松开鼠标左键，以完成该切片上的轮廓绘制。</li>
	</ol>
	</li>
	<li>点击&#34;插值轮廓&#34;按钮（图3），在切片之间对 ROI 进行插值。</li>
	<li>点击&#34;复制 ROI&#34;按钮以复制当前 ROI。</li>
	<li>选择多个 ROI 后，点击&#34;合并 ROI&#34;按钮，将选中的 ROI 合并为一个。</li>
	<li>点击&#34;删除 ROI&#34;按钮，删除当前选中的 ROI。</li>
	<li>点击&#34;创建 ROI&#34;以新建一个 ROI，此时将弹出一个窗口。输入 ROI 的名称，然后点击&#34;确定&#34;按钮。点击&#34;保存&#34;按钮。点击&#34;退出&#34;按钮，返回患者查看界面。</li>
</ol>
6. 数据集中的轮廓
<ol>
	<li>查看数据集中的轮廓
	<ol>
		<li>点击 &#34;显示数据集&#34; 按钮以查看数据集中的轮廓。点击数据集名称以进行查看。点击 &#34;打开&#34; 按钮。通过勾选名称旁的复选框选择需要操作的患者轮廓。根据所需功能，点击 &#34;删除&#34;、&#34;移动&#34; 或 &#34;复制&#34; 按钮。完成数据集查看后，关闭数据集窗口。</li>
	</ol>
	</li>
	<li>向数据集中添加轮廓
	<ol>
		<li>通过点击轮廓名称旁的复选框选择要添加到数据集的轮廓，然后点击 &#34;添加到数据集&#34; 按钮。点击目标数据集的名称以添加轮廓，或点击 &#34;新建&#34; 按钮创建新数据集。若选择“新建”，请在弹出窗口中输入数据集名称，然后点击 &#34;确定&#34; 按钮。</li>
	</ol>
	</li>
	<li>如果在第3节中未加载轮廓，请点击 &#34;导入ROIs&#34; 按钮以导入Pinnacle 9版本的.roi文件。
	<ol>
		<li>点击 &#34; …" 按钮以选择文件。点击 &#34;导入&#34; 按钮。</li>
	</ol>
	</li>
	<li>点击 &#34;导出ROIs&#34; 按钮以导出感兴趣区域（ROIs）。
	<ol>
		<li>点击 &#34; …" 按钮以选择导出ROIs的存储目录。点击所希望使用的导出格式名称。如需匿名化，请填写相应的匿名化信息。点击导出按钮。 
		注：默认设置为不执行任何匿名化处理。</li>
	</ol>
	</li>
	<li>点击 &#34;退出&#34; 按钮以返回患者和扫描列表。</li>
</ol>
7. 创建特征集
<ol>
	<li>点击 &#34;Feature&#34; 图标。</li>
	<li>根据需要添加预处理。
	<ol>
		<li>在 &#34;Step1: Preprocess&#34; 下方点击 &#34;Add&#34; 按钮。在新窗口的下拉菜单中选择预处理选项。</li>
		<li>在 &#34;Para.&#34; 下方点击 &#34;i&#34; 以选择预处理参数。在参数的新窗口中点击“值”列下的数值以进行修改。输入新的参数值后，点击 &#34;OK&#34; 按钮。</li>
		<li>点击右上角的 &#34;question mark&#34; 按钮，查看预处理方法及具体参数的说明。</li>
		<li>点击 &#34;Add&#34; 按钮。选择要删除的预处理步骤，然后点击 &#34;Delete&#34; 按钮以移除不需要的预处理步骤。</li>
	</ol>
	</li>
	<li>添加所需的特征。
	<ol>
		<li>在 &#34;Step 2: Features Category:&#34; 下方的下拉菜单中选择特征类别。如需多个类别，请重复此步骤。 
		&#8203;注意：每次只能添加一个特征类别。如有需要，可将不同的预处理与特征类别的组合添加至同一特征集。
		<ol>
			<li>选择 &#34;GrayLevelCooccurenceMatrix25&#34; 和 &#34;NeighborIntensityDifference25&#34; 特征类别，分别用于在2.5D中计算灰度共生矩阵和邻域强度差异矩阵，该过程通过在每个切片上单独计算矩阵，然后将所有矩阵相加实现。</li>
			<li>选择 &#34;GrayLevelCooccurenceMatrix3&#34; 和 &#34;NeighborIntensityDifference3&#34; 特征类别，分别用于在3D中计算灰度共生矩阵和邻域强度差异矩阵。</li>
		</ol>
		</li>
		<li>在 &#34;Para.&#34; 下方点击 &#34;i&#34;，以查看所选预处理的参数。点击右上角的 &#34;question mark&#34; 按钮，查看预处理方法及参数的说明。
		<ol>
			<li>输入新的参数值，然后点击 &#34;OK&#34; 按钮。</li>
		</ol>
		</li>
		<li>点击 &#34;Test&#34; 按钮以查看某一特征类别或特定特征。点击所需特征或类别旁边的按钮。
		<ol>
			<li>选择要测试的数据集，然后点击 &#34;Open&#34; 按钮。勾选所选数据集中要用于测试的患者，然后点击 &#34;Test&#34; 按钮。</li>
		</ol>
		</li>
		<li>取消勾选当前类别中不需要的特征；选择类别后，所有特征默认均被选中。点击 &#34;Step2: Features&#34; 下的 &#34;Features:&#34; 文字，可取消勾选所有特征。</li>
		<li>点击 &#34;Add to Feature Set&#34; 按钮，将所有选定的特征及对应的预处理添加至特征集。
		<ol>
			<li>选择要添加特征的特征集，然后点击 &#34;Open&#34; 按钮；或点击 &#34;New&#34; 按钮，将特征添加至新特征集。若创建新特征集，请在新窗口中输入特征集名称，然后点击 &#34;OK&#34; 按钮。</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>点击 &#34;Show Feature Set&#34; 按钮，以查看特征集中各特征及其对应的预处理技术。
	<ol>
		<li>选择要查看的特征集，然后点击 &#34;Open&#34; 按钮；或点击 &#34;New&#34; 按钮以创建新特征集。若创建新特征集，请在新窗口中输入特征集名称，然后点击 &#34;OK&#34; 按钮。</li>
	</ol>
	</li>
	<li>点击 &#34;Show Data Set&#34; 按钮，以查看当前的数据集。
	<ol>
		<li>选择要查看的数据集，然后点击 &#34;Open&#34; 按钮；或点击 &#34;New&#34; 按钮以创建新数据集。若创建新数据集，请在新窗口中输入数据集名称，然后点击 &#34;OK&#34; 按钮。</li>
	</ol>
	</li>
	<li>点击 &#34;Exit&#34; 按钮。</li>
</ol>
8. 输出特征
<ol>
	<li>点击 &#34;结果&#34; 图标。单击数据集以运行其下的功能 &#34;步骤1：数据集。单击要对所选数据运行的特征集 &#34;步骤2：特征集。&#34;</li>
	<li>点击 &#34;查看数据&#34; 按钮以查看选定的数据集。单击 &#34;查看特色内容&#34; 单击按钮以查看所选特征集。</li>
	<li>点击 &#34;计算&amp;#38;保存结果&#34; 按钮。输入结果文件的名称，然后单击 &#34;保存&#34; 按钮。</li>
</ol>
9. 统计模型构建
<ol>
	<li>打开已保存的结果文件。 
	注意：该文件通常位于 C:\IBEX\DataIbex\[第 2.2 步中选定的用户]\[第 2.3 步中选定的站点]\1FeatureResultSet_Result，除非在第 8.4 步中另行指定。</li>
	<li>在软件中使用不同选项卡中的数据进行所需的统计检验或模型构建。 
	注意：该方案可在任意时间暂停。但最方便的是在完成某个特定图标所需的所有步骤后暂停，e.g.，完成 Feature 图标下的第 7 节全部内容后。</li>
</ol>

<ol><li>Lambin, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiomics%3A+extracting+more+information+from+medical+images+using+advanced+feature+analysis%5BTitle%5D)+AND+%22EJC%22%5BJournal%5D)">Radiomics: extracting more information from medical images using advanced feature analysis.</a> EJC. 48, 441-446 (2012).</li>
<li>Zhang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((IBEX%3A+an+open+infrastructure+software+platform+to+facilitate+collaborative+work+in+radiomics%5BTitle%5D)+AND+%22Med+Phys%22%5BJournal%5D)">IBEX: an open infrastructure software platform to facilitate collaborative work in radiomics.</a> Med Phys. 42, 1341-1353 (2015).</li>
<li>IBEX Source Code. , Available from: 
 <a target="_blank" href="http://bit.ly/IBEXSrc_MDAnderson">http://bit.ly/IBEXSrc_MDAnderson</a> (2017).</li>
<li>IBEX Stand Alone. , Available from: 
 <a target="_blank" href="http://bit.ly/IBEX_MDAnderson">http://bit.ly/IBEX_MDAnderson</a> (2017).</li>
<li>Haralick, R. M., Shanmugam, K. <a target="_blank" href="http://ieeexplore.ieee.org/document/4309314/">Textural features for image classification.</a> IEEE Trans Syst Man Cybern. , 610-621 (1973).</li>
<li>Galloway, M. M. <a target="_blank" href="http://www.sciencedirect.com/science/article/pii/S0146664X75800086">Texture analysis using gray level run lengths.</a> Comp Graphics and Im Proc. 4, 172-179 (1975).</li>
<li>Tang, X. <a target="_blank" href="http://ieeexplore.ieee.org/document/725367/">Texture information in run-length matrices.</a> IEEE Trans on Im Proc. 7, 1602-1609 (1998).</li>
<li>Amadasun, M., King, R. <a target="_blank" href="http://ieeexplore.ieee.org/document/44046/">Textural features corresponding to textural properties.</a> IEEE Trans Syst Man Cybern. 19, 1264-1274 (1989).</li>
<li>Fave, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Preliminary+investigation+into+sources+of+uncertainty+in+quantitative+imaging+features%5BTitle%5D)+AND+%22Comp+Med+Imaging+Graph%22%5BJournal%5D)">Preliminary investigation into sources of uncertainty in quantitative imaging features.</a> Comp Med Imaging Graph. 44, 54-61 (2015).</li>
<li>Fave, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Can+radiomics+features+be+reproducibly+measured+from+CBCT+images+for+patients+with+non-small+cell+lung+cancer%5BTitle%5D)+AND+%22Med+Phys%22%5BJournal%5D)">Can radiomics features be reproducibly measured from CBCT images for patients with non-small cell lung cancer.</a> Med Phys. 42, 6784-6797 (2015).</li>
<li>Fave, X., et al. <a target="_blank" href="http://tcr.amegroups.com/article/view/8709">Impact of image preprocessing on the volume dependence and prognostic potential of radiomics features in non-small cell lung cancer.</a> Trans Cancer Res. 5, 349-363 (2016).</li>
<li>Fave, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Delta-radiomics+features+for+the+prediction+of+patient+outcomes+in+non-small+cell+lung+cancer%5BTitle%5D)+AND+%22Scientific+Reports%22%5BJournal%5D)">Delta-radiomics features for the prediction of patient outcomes in non-small cell lung cancer.</a> Scientific Reports. 7, 588(2017).</li>
<li>Fried, D. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stage+III+Non-Small+Cell+Lung+Cancer%3A+Prognostic+Value+of+FDG+PET+Quantitative+Imaging+Features+Combined+with+Clinical+Prognostic+Factors%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Stage III Non-Small Cell Lung Cancer: Prognostic Value of FDG PET Quantitative Imaging Features Combined with Clinical Prognostic Factors.</a> Radiology. 278, 214-222 (2016).</li>
<li>Fried, D. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Potential+Use+of+%2818%29F-fluorodeoxyglucose+Positron+Emission+Tomography-Based+Quantitative+Imaging+Features+for+Guiding+Dose+Escalation+in+Stage+III+Non-Small+Cell+Lung+Cancer%5BTitle%5D)+AND+%22IJROBP%22%5BJournal%5D)">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.</a> IJROBP. 94, 368-376 (2016).</li>
<li>Mackin, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measuring+Computed+Tomography+Scanner+Variability+of+Radiomics+Features%5BTitle%5D)+AND+%22Invest+radiol%22%5BJournal%5D)">Measuring Computed Tomography Scanner Variability of Radiomics Features.</a> Invest radiol. 50, 757-765 (2015).</li>
<li>Yang, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Uncertainty+analysis+of+quantitative+imaging+features+extracted+from+contrast-enhanced+CT+in+lung+tumors%5BTitle%5D)+AND+%22Comp+Med+Imaging+Graph%22%5BJournal%5D)">Uncertainty analysis of quantitative imaging features extracted from contrast-enhanced CT in lung tumors.</a> Comp Med Imaging Graph. 48, 1-8 (2016).</li>
<li>van Rossum, P. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((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%5BTitle%5D)+AND+%22JNM%22%5BJournal%5D)">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.</a> JNM. 57, 691-700 (2016).</li>
<li>Hunter, L. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NSCLC+tumor+shrinkage+prediction+using+quantitative+image+features%5BTitle%5D)+AND+%22Comp+Med+Imaging+Graph%22%5BJournal%5D)">NSCLC tumor shrinkage prediction using quantitative image features.</a> Comp Med Imaging Graph. 49, 29-36 (2016).</li>
<li>Hunter, L. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High+quality+machine-robust+image+features%3A+identification+in+nonsmall+cell+lung+cancer+computed+tomography+images%5BTitle%5D)+AND+%22Med+Phys%22%5BJournal%5D)">High quality machine-robust image features: identification in nonsmall cell lung cancer computed tomography images.</a> Med Phys. 40, 121916(2013).</li>
<li>Fried, D. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prognostic+value+and+reproducibility+of+pretreatment+CT+texture+features+in+stage+III+non-small+cell+lung+cancer%5BTitle%5D)+AND+%22IJROBP%22%5BJournal%5D)">Prognostic value and reproducibility of pretreatment CT texture features in stage III non-small cell lung cancer.</a> IJROBP. 90, 834-842 (2014).</li>
<li>Gan, J., et al. <a target="_blank" href="http://onlinelibrary.wiley.com/doi/10.1118/1.4957258/abstract">MO-DE-207B-09: A Consistent Test for Radiomics Softwares.</a> Med Phys. 43, 3706-3706 (2016).</li>
<li>Klawikowski, S., Christian, J., Schott, D., Zhang, M., Li, X. <a target="_blank" href="http://onlinelibrary.wiley.com/doi/10.1118/1.4955675/abstract">SU-D-207B-07: Development of a CT-Radiomics Based Early Response Prediction Model During Delivery of Chemoradiation Therapy for Pancreatic Cancer.</a> Med Phys. 43, 3350-3350 (2016).</li>
<li>Huang, W., Tu, S. <a target="_blank" href="http://onlinelibrary.wiley.com/doi/10.1118/1.4955794/abstract">SU-F-R-22: Malignancy Classification for Small Pulmonary Nodules with Radiomics and Logistic Regression.</a> Med Phys. 43, 3377-3378 (2016).</li>
<li>Hanania, A. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+imaging+to+evaluate+malignant+potential+of+IPMNs%5BTitle%5D)+AND+%22Oncotarget%22%5BJournal%5D)">Quantitative imaging to evaluate malignant potential of IPMNs.</a> Oncotarget. 7, 85776-85784 (2016).</li>
<li>Court, L. E., et al. <a target="_blank" href="http://tcr.amegroups.com/article/view/8409">Computational resources for radiomics.</a> Trans Cancer Res. 5, 340-348 (2016).</li>
<li>Matlab Add path. , Available from: 
 <a target="_blank" href="https://www.mathworks.com/help/matlab/ref/addpath.html">https://www.mathworks.com/help/matlab/ref/addpath.html</a> (2017).</li>
<li>Zhao, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reproducibility+of+radiomics+for+deciphering+tumor+phenotype+with+imaging%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Reproducibility of radiomics for deciphering tumor phenotype with imaging.</a> Sci Rep. 6, 23428(2016).</li>
<li>Owens, C., et al. Reproducibility and Robustness of Radiomic Features Extracted with Semi-Automatic Segmentation Tools. Med Phys. , (2017).</li>
<li>Kassner, A., Liu, F., Thornhill, R. E., Tomlinson, G., Mikulis, D. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+hemorrhagic+transformation+in+acute+ischemic+stroke+using+texture+analysis+of+postcontrast+T1-weighted+MR+images%5BTitle%5D)+AND+%22JMRI%22%5BJournal%5D)">Prediction of hemorrhagic transformation in acute ischemic stroke using texture analysis of postcontrast T1-weighted MR images.</a> JMRI. 30, 933-941 (2009).</li>
<li>IBEX Google Forum. , Available from: 
 <a target="_blank" href="https://groups.google.com/forum/#!forum/ibex_users">https://groups.google.com/forum/#!forum/ibex_users</a> (2017).</li>
</ol>

作者声明无竞争性财务利益。

IBEX 是一种用于医学影像放射组学研究的强大工具。迄今为止，它主要被 MD 安德森放射组学团队在放射肿瘤学相关研究中使用。IBEX 支持对感兴趣区域（ROI）进行操作，并可在五大主要特征类别内计算特征。IBEX 的源代码版本允许用户开发尚未集成到 IBEX 中的应用程序，例如灰度区域矩阵特征。
IBEX 的主要步骤包括图像导入、感兴趣区域（ROI）的轮廓勾画、数据集 ROI 的选择以及特征集的创建。准确的轮廓勾画至关重要，因为特征值仅在这些区域内进行计算，因此不准确的轮廓将导致特征值的偏差。由此，在基于不准确轮廓所计算出的特征与研究结局之间发现的任何关联均可能是虚假的。特征参数的选择同样是一个关键步骤。例如，灰度共生矩阵的步长设置会直接影响由该矩阵计算出的特征值。这种影响可能取决于图像类型（即，MRI、CT 或 PET）、研究部位（例如，非小细胞肺癌 vs. 头颈部）以及研究目的（例如，构建生存预测模型 vs. 将影像特征与基因组学关联）。特征参数的选择应基于物理或生物学依据，例如，是否存在生物学理由支持在共...

在医学领域，患者的疾病诊断通常需要结合大量诊断性检查，例如X射线、超声、计算机断层扫描（CT）、磁共振成像（MRI）和正电子发射断层扫描（PET），以协助制定患者的诊疗方案。尽管医生通常通过这些影像进行定性评估以判断病情，但仍可能存在可提取的定量特征，用于进一步指导临床决策。其理论依据在于，这些特征可能反映了在宏观尺度上表达的蛋白质组学和基因组学模式1将这些定量信息与现有的临床信息相结合， 例如患者人口统计学特征可能有助于实现更个性化的患者护理。这正是影像组学背后的理论基础：在体素层面对图像进行特征分析。这些特征通常分为五个主要类别：灰度共生矩阵、灰度游程长度矩阵、邻域强度差异矩阵、直方图和形态学特征。
成像生物标志物探索器（Imaging Biomarker Explorer，IBEX）是一款开源的放射组学分析工具2。该图形用户界面（GUI）由MD安德森癌症中心开发，旨在促进定量特征的提取与计算，以辅助癌症诊疗中的决策过程。其源代码3和独立运行版本4均可在线获取。IBEX可计算医学放射组学中常用的5类特征，每类特征的参数均可单独设置。这5类特征包括：灰度共生矩阵5、灰度游程长度矩阵6,7、强度特征、邻域强度差异矩阵8以及形态学特征。由于IBEX为开源工具，可在不同机构间实现特征提取结果的标准化，便于不同放射组学研究之间的比较。IBEX中所有特征的详细描述均见于Zhang et al.2的初始研究论文中。
本文的目的是提供使用IBEX的指导，并通过MD Anderson放射组学团队经同行评审发表的研究展示其应用。自2015年向公众发布以来，MD Anderson放射组学团队已使用IBEX从CT、PET和MRI扫描图像中计算特征，通常用于研究如何利用这些特征改进临床生存预测模型9,10,11,12,13,14,15,16,17,18,19,20，外部机构也已将其应用于相关研究21,22,23,24。关于IBEX未涵盖的放射组学研究步骤中可使用的软件工具的进一步指导，可参见Court et al.25
在开始使用 IBEX 进行影像组学研究之前，了解 IBEX 工作流程的总体介绍有助于正确组织数据。如果导入 DICOM 图像，IBEX 要求每位患者拥有一个独立的文件夹，其中包含其 DICOM 图像。DICOM 放射结构集可选择性地包含在患者文件夹中，但建议使用该结构集，而非使用 IBEX 中的勾画平台。为了便于导入某项特定研究的全部患者数据，可将所有患者文件夹统一放入一个主文件夹中，从而通过单步操作将所有数据导入 IBEX。如果从 Pinnacle 系统导入患者数据，最好将结构集与患者的治疗计划一并导出。由于患者在 Pinnacle 系统中可能包含多个图像集和治疗计划，因此在导入前应明确正确的图像集和治疗计划。如果关注计算耗时，减少每位患者的图像层数可显著缩短处理时间。例如，若研究中仅关注肝脏区域，而患者具有全身 CT 扫描图像，则将 DICOM 图像层数限制在感兴趣区域范围内即可缩短计算时间（例如，将 DICOM 图像从 300 层减少至 50 层，计算时间可缩短为原来的六分之一）。目前已有多种工具可用于实现图像层数的减少，从手动操作到半自动方法均有可用选项。

<table><tbody><tr><td>Excel</td><td>Microsoft Office</td><td></td><td>任何版本的 Excel 均可使用。</td></tr><tr><td>Matlab</td><td>MathWorks</td><td></td><td>仅可在 32 位 Matlab 2011a 或 64 位 Matlab 2014b 上使用 IBEX。</td></tr></tbody></table>

使用影像生物标志物探索器（ibex）进行放射组学的指南与经验

Guidelines and Experience Using Imaging Biomarker Explorer (IBEX) for Radiomics

成像生物标志物探索器（Imaging Biomarker Explorer，IBEX）是一款用于医学影像放射组学研究的开源工具。本文旨在介绍如何使用IBEX的图形用户界面（GUI），并展示IBEX计算所得特征在临床研究中的应用。IBEX支持导入DICOM图像及其对应的DICOM放射治疗结构文件，或Pinnacle文件。图像导入后，用户可通过数据选择图形界面中的工具对图像显示进行调节，测量体素值和距离，并创建和编辑轮廓。IBEX提供27种预处理方法和132种特征选项，用于设计特征集。每种预处理方法和特征类别均包含可调整的参数。IBEX的输出结果为一个电子表格，内容包括：1）数据集中每个轮廓所计算出的各特征值；2）数据集中每个轮廓的图像相关信息；3）所用预处理方法和特征及其选定参数的汇总信息。已有研究应用IBEX计算出的特征，评估不同成像条件下特征的变异性，并构建生存预测模型，以改进现有的临床模型。

IBEX 的输出结果为一个电子表格（见图 4），其中包含三个工作表标签。“结果”标签页包含数据集中每个感兴趣区域（ROI）的特征值（图 4A）。“数据信息”标签页包含来自数据集中每个感兴趣区域（ROI）所获取图像的相关信息（图 4B）。“特征信息”标签页则列出了所选特征类别及其对应预处理方法所使用的全部特征参数的详细列表（图 4C）。
IBEX 从医学图像中计算出的特征已在多个场景中得到应用。Hunter et al. 使用 IBEX 的早期版本识别了稳健的图像特征<sup class="xref"...

我们介绍了IBEX，一种用于医学影像放射组学研究的开源工具，以及如何使用该工具。此外，还展示了一些已发表的研究工作，这些研究利用IBEX进行不确定性分析和模型构建。

使用影像生物标志物探索器（IBEX）进行放射组学的指南与经验

成像生物标志物探索器（Imaging Biomarker Explorer，IBEX）是一款用于医学影像放射组学研究的开源工具。本文旨在介绍如何使用IBEX的……

该软件工具的总体目标是提取属于形状或纹理特征的定量图像特征，例如灰度共生矩阵类别。该工具可用于回答放射组学领域中的一些关键问题。例如，您可以提取定量图像特征，并分析这些特征与放射治疗患者预后之间的相关性。该技术的主要优势在于其开源性、易于使用，且长期以来被广泛用于提取特征以构建预后模型。放射组学有望提供关于肿瘤对特定治疗方案可能反应的信息，因此可为临床医护人员在评估替代治疗方案的适用性时提供额外参考。放射组学能够揭示肿瘤表型特征，还可应用于异质性分析，例如量化治疗过程中更大范围组织的变化。通常，初次接触该方法的人员会遇到困难，因为选择合适的参数设置（如位深度重采样等不同功能的设置）至关重要，因此必须密切关注这些细节。由于步骤繁多且细节复杂，直观的演示尤为关键。在放射组学研究中，细致入微的关注是获得良好结果的重要保障。首先，安装随附文本方案中描述的 IBEX 软件。安装完成后，启动 IBEX 并创建一个新用户，以便导入和保存您的数据。接着，单击导入图标，通过点击格式名称选择 DICOM 或 Pinnacle 文件版本九格式，然后单击下一步。要一次性导入所有患者数据，请勾选右上角的批量文件夹复选框，然后点击所列目录旁边的“更多”按钮。选择包含所有患者文件夹及其对应 DICOM 图像和辐射 DICOM 结构文件的文件夹。最后，点击退出按钮。首先，点击数据图标以加载患者文件。然后，在“选择患者”部分，点击目标患者文件以打开。接着，在“选择图像集”部分，点击目标患者文件的图像集，然后点击“打开”按钮。使用箭头滚动查看以轴向、冠状和矢状视图显示的图像。然后，选择缩放按钮并在图像平面上绘制一个方框以进行放大。在图像上单击右键可缩小。接下来，单击窗宽窗位按钮。另一个按钮将弹出，当其出现时，将左右两侧拖动至所需区域，或在新窗口底部的窗宽和窗位输入框中手动输入窗宽和窗位数值。使用左侧第一个下拉菜单选择不同的窗宽窗位设置。CT 有八种选项，PET 有一种选项。通过点击感兴趣区域旁边的复选框，使其在图像上显示，从而可视化该区域；或点击“全部 ROI 开启”按钮以显示所有感兴趣区域。接下来，准备数据集以便查看轮廓。为此，请首先点击“显示数据集”按钮以查看数据集中的轮廓。一旦查看完数据集，即可关闭窗口。这是一个新用户，且刚刚导入患者数据，因此我们尚未创建任何数据集。然后，通过点击名称旁的复选框选择要添加到数据集中的轮廓，并点击“添加到数据集”按钮。点击目标数据集的名称以将轮廓添加至该数据集，或点击“新建”按钮创建新的数据集。如果选择新建数据集，请在弹出窗口中输入数据集名称，然后点击“确定”按钮。完成后，单击退出按钮以返回患者和扫描列表。单击功能图标，如有需要，可单击添加按钮，在新窗口的下拉菜单中选择预处理选项来添加预处理。接下来，单击参数下方的 i 按钮以选择预处理参数。在值列下方选择

guidelines-experience-using-imaging-biomarker-explorer-ibex-for

Research

科研

JoVE Journal

Engineering

工程

使用成像生物标志物探险家 (野山羊) Radiomics 的指南和经验

本文介绍了一种基于对来自多种公开数据库的合并临床数据集进行综合分析，以逐步开展表达、相关性及生存分析策略，探索乳腺癌生物标志物和生存预测因子的实验方案。...

利用多个公开数据库对乳腺癌生物标志物进行数据挖掘与整合分析

CT 与 129Xe MRI 可提供互补的肺部结构-功能信息，可通过图像配准用于区域性分析。本文提供了一种基于现有文献的协议，利用开源平台实现 129Xe MR 与 CT...

多模态肺部成像：利用CT与超极化129Xe MRI的互补信息评估肺结构-功能

迭代漂白扩展多重性（IBEX）技术与商用核苷酸标记试剂盒（Click-iT...

高通量成像与分析工作流程用于评估组织样本中皮肤细胞表型及增殖状态

本文介绍了迭代漂白扩展多重性（IBEX）方法的应用，该方法利用市售的自动化组织染色仪，并针对基于酪酰胺信号放大技术的试剂在使用过程中的优化因素进行了探讨。...

迭代漂白结合染色自动化技术扩展核心设施中的多重检测能力

本文介绍了一种用于表征腹膜转移灶三维结构的多重免疫荧光染色方案。...

采用迭代漂白扩展多重性方法对荷瘤组织进行三维成像

将低成本、多功能的光照射技术与手动IBEX方法相结合，可实现对具有显著本底自发荧光的人体组织进行优化成像。本方案详细介绍了如何利用倒置显微镜、广泛可得的试剂以及开源软件，对存档的临床样本获取多重标记的全片图像，并进行图像配准与处理。...

高度自发荧光临床样本的迭代漂白扩展多重成像优化工作流程

本方案介绍了一种多模态方法，结合拉曼光谱与层析相位显微技术，用于无标记、非侵入性地对活体人乳腺癌细胞进行表型分析。该方法包含一个用户友好、无主观偏倚的分析流程，可实现快速、定量的形态-化学分析，为癌症研究和细胞生物学提供详细的分子与结构信息。...

一种多模态成像框架推动无标记活体乳腺癌细胞表型分析

光谱迭代漂白扩展多重性（IBEX）在基础IBEX技术的基础上，增加了肝素阻断以最大限度减少非特异性结合，并利用光谱检测结合计算解混技术来抑制自发荧光。该方法可加快图像采集速度，同时降低背景信号来源，从而实现稳健的多轮、高参数空间蛋白质组分析。...

利用光谱共聚焦显微镜进行高重成像以最小化非特异性组织自发荧光

有机光伏（OPV）材料在纳米尺度上本质上是不均匀的。OPV材料的纳米级不均匀性会影响光伏器件的性能。本文中，我们描述了一种用于定量测量OPV材料电学和力学性能的实验方案，空间分辨率优于100...

使用原子力显微镜对有机光伏材料进行同步定量电导率与力学性能测量

我们介绍一种技术，可实现分子束中不同构象体或团簇在空间上的分离。利用静电偏转器根据其质荷比对不同物种进行分离，从而获得单一构象体或特定化学计量比团簇的气相集合体。...

分子构象体与团簇的空间分离

了解如何使用开源工具IBEX从医学影像中提取形状和纹理等定量影像组学特征。该方法支持肿瘤治疗反应评估和预后模型构建，助力临床决策。

使用影像生物标志物探索器（IBEX）进行放射组学的指南与经验

探索更多视频