Linee guida ed esperienza utilizzando Imaging Biomarker Explorer (IBEX) per Radiomics
January 8th, 2018
Descriviamo IBEX, uno strumento open source progettato per studi di radiomics di imaging medico e come utilizzare questo strumento. Inoltre, sono in mostra alcune opere pubblicate che hanno usato IBEX per analisi di incertezza e modello di edificio.
L'obiettivo generale di questo strumento software è quello di estrarre le caratteristiche quantitative dell'immagine che rientrano nella forma o nella trama, come le categorie di matrici di co-occorrenza a livello di grigio. Questo strumento può essere utilizzato per rispondere ad alcune domande chiave nel campo della radiomica. Ad esempio, è possibile estrarre le caratteristiche quantitative dell'immagine e osservare le correlazioni tra esse e gli esiti dei pazienti nella radioterapia.
Il vantaggio principale di questa tecnica è che è open source, è facile da usare e ha una lunga storia di persone che la utilizzano per estrarre funzionalità da utilizzare nei modelli prognostici. La radiomica ha il potenziale per fornire informazioni sulla probabile risposta di un tumore a determinati trattamenti e quindi può fornire informazioni aggiuntive che il personale clinico può utilizzare per determinare l'adeguatezza dei trattamenti alternativi. La radiomica può fornire informazioni sul fenotipo del tumore, può anche essere applicata all'allosistanza come la quanitificazione dei cambiamenti di più tessuto durante il trattamento.
In generale, le persone che non conoscono questo metodo avranno difficoltà, perché selezionare le impostazioni giuste per le diverse funzionalità come il ricampionamento della profondità di bit è importante, quindi è fondamentale prestare attenzione a queste. La dimostrazione visiva è fondamentale in quanto ci sono molti passaggi e dettagli. Un'attenta attenzione ai dettagli è importante per ottenere buoni risultati negli studi radiomici.
Per iniziare, installare IBEX descritto nel protocollo di testo allegato. Una volta installato, carica IBEX e crea un nuovo utente per importare e salvare i tuoi dati. Quindi, fai clic sull'icona di importazione e seleziona il formato DICOM o Pinnacle versione nove del file facendo clic sul nome del formato, quindi fai clic su Avanti.
Per importare tutti i pazienti contemporaneamente, seleziona la casella della cartella batch nell'angolo in alto a destra, quindi fai clic sul pulsante Altro accanto alla directory elencata. Selezionare la cartella che contiene tutte le cartelle dei pazienti con le immagini DICOM corrispondenti e i file della struttura DICOM delle radiazioni. Infine, fai clic sul pulsante di uscita.
Per iniziare, caricare la cartella di un paziente facendo prima clic sull'icona dei dati. Quindi, nella sezione Seleziona un paziente, fare clic sulla cartella del paziente desiderata da aprire. Successivamente, nella sezione Seleziona set di immagini, fare clic sul set di immagini del file paziente desiderato, quindi fare clic sul pulsante Apri.
Utilizzare le frecce per scorrere le immagini mostrate nelle viste assiale, coronale e sagittale. Quindi, seleziona il pulsante dello zoom e disegna una casella sul piano dell'immagine per ingrandire. Fare clic con il pulsante destro del mouse sull'immagine per rimpicciolire.
Quindi, fai clic sul pulsante a livello di finestra. Apparirà un altro pulsante, quando lo fa, trascina i lati sinistro e destro nell'area desiderata o inserisci manualmente il livello della finestra nelle caselle della finestra e del livello nella parte inferiore della nuova finestra. Seleziona diversi livelli di finestra utilizzando il primo menu a discesa a sinistra.
Ci sono otto opzioni per la TC e un'opzione per la PET. Visualizza le regioni di interesse cliccando sulla casella accanto alla regione di interesse per renderla visibile sulle immagini, oppure clicca sul pulsante "Su tutti i ROI" per attivare tutte le regioni di interesse. Successivamente, preparare il set di dati per visualizzare i contorni.
A tale scopo, fare clic sul pulsante Mostra set di dati per visualizzare le curve di livello nel set di dati. Una volta visualizzati i set di dati, chiudere la finestra. Questo è un nuovo utente con pazienti appena importati, quindi non abbiamo ancora creato set di dati.
Quindi, selezionare i contorni da aggiungere al set di dati facendo clic sulla casella di controllo accanto al loro nome e fare clic sul pulsante Aggiungi al set di dati. Fare clic sul nome del set di dati per aggiungere le curve di livello oppure fare clic sul pulsante Nuovo per un nuovo set di dati. Se è selezionato nuovo, immettere il nome del set di dati nella nuova finestra, quindi fare clic sul pulsante OK.
Al termine, fare clic sul pulsante di uscita per tornare all'elenco dei pazienti e delle scansioni. Fare clic sull'icona della funzione e aggiungere la pre-elaborazione, se lo si desidera, facendo clic sul pulsante Aggiungi e selezionando l'opzione di pre-elaborazione dal menu a discesa nella nuova finestra. Quindi, fai clic su i in Parametri per selezionare i parametri di pre-elaborazione.
Selezionare il numero nella colonna del valore, digitare il nuovo valore del parametro, quindi fare clic sul pulsante OK. Per la descrizione del metodo di pre-elaborazione e dei parametri specifici, fare clic sul pulsante del punto interrogativo nell'angolo in alto a destra. Una volta soddisfatto, fai clic sul pulsante Aggiungi per aggiungere la fase di pre-elaborazione.
Per eliminare le fasi di pre-elaborazione indesiderate, selezionare la fase di pre-elaborazione e fare clic su Elimina. Nel menu delle categorie di funzionalità, selezionare la matrice di coocurrenza del livello di grigio 25 nelle categorie di funzionalità della differenza di intensità del vicino 25 per calcolare rispettivamente la matrice di co-occorrenza del livello di grigio e la matrice della differenza di intensità del vicinato in 2.5D. A tale scopo, è possibile calcolare singolarmente ogni sezione e quindi sommare tutte le matrici.
Un'altra opzione consiste nel selezionare il livello di grigio tre co-occorrenza nelle tre categorie di elementi della differenza di intensità del vicino per calcolare la matrice di co-occorrenza del livello di grigio e la matrice della differenza di intensità del vicinato, rispettivamente, in 3D. Fare clic su I per visualizzare i parametri selezionati per quella categoria di elementi. Per modificare un parametro, immettere il nuovo valore e fare clic sul pulsante OK.
Per ulteriori informazioni, fare clic sul punto interrogativo nell'angolo in alto a destra. Una volta impostati correttamente tutti i parametri, fare clic sul pulsante di test per visualizzare una categoria di funzionalità o una funzionalità specifica facendo clic sul pulsante accanto alla funzionalità o alla categoria desiderata. Selezionare il set di dati su cui visualizzare il test, quindi fare clic sul pulsante Apri.
Selezionare la casella accanto ai pazienti dal set di dati selezionato e fare clic sul pulsante del test. Chiudi la finestra una volta soddisfatto del test. Deseleziona tutte le funzionalità indesiderate per la categoria selezionata.
Per deselezionare tutte le funzionalità, fare clic sulla parola funzionalità"sotto set two, funzionalità. Per aggiungere tutte le funzioni selezionate con la pre-elaborazione selezionata, fare clic sul pulsante Aggiungi al set di funzionalità. Selezionare il nome e il set di funzionalità, quindi fare clic sul pulsante Apri oppure, per aggiungere queste funzionalità a un nuovo set, fare clic sul pulsante Nuovo.
Immettere il nome del set di funzionalità nella nuova finestra e fare clic su OK. Quindi, fare clic sul pulsante Mostra set di funzionalità per visualizzare le funzionalità con le tecniche di pre-elaborazione corrispondenti. Selezionare il set di funzionalità da visualizzare, quindi fare clic su Apri. Osservare i parametri di pre-elaborazione e le categorie di funzioni nei menu a discesa.
Modificali facendo clic sul pulsante I sotto i parametri. Una volta terminato, chiudi la finestra. Nella finestra principale delle funzioni, fare clic sul pulsante Mostra set di dati per visualizzare i set di dati correnti.
Quindi, selezionare il set di dati da visualizzare, quindi fare clic sul pulsante Apri. Al termine, fare clic sul pulsante di uscita. Per preparare l'output, fare clic sull'icona del risultato, quindi fare clic sul set di dati su cui eseguire le funzionalità, nel passaggio uno, e fare clic sul set di funzionalità da eseguire sui dati selezionati nel passaggio due.
Quindi, fare clic sul pulsante Visualizza dati per visualizzare il set di dati selezionato, seguito dal pulsante Visualizza funzione per visualizzare il set di funzionalità selezionato. Infine, fai clic sul pulsante Calcola e salva risultato. Immettere il nome del file per i risultati e selezionare Salva.
L'output di IBEX è un foglio di calcolo con tre fogli. Di seguito è illustrato un output più complicato con più aree di interesse e funzionalità selezionate rispetto a quelle eseguite in questo video tutorial. Il primo foglio contiene i valori delle caratteristiche per ogni regione di interesse inserita nel set di dati.
Per le funzioni della matrice di co-occorrenza del livello di grigio e della matrice della lunghezza di esecuzione del livello di grigio, viene emesso un valore per ogni direzione in cui viene calcolata la matrice, nonché una matrice media in tutte le direzioni designata come 333. La quarta riga indica la categoria di funzionalità e la quinta riga indica l'intestazione per tale colonna, designata come indice, immagine, area di interesse, MRN o funzionalità specifica. Il secondo foglio contiene le informazioni sui dati.
Si tratta di informazioni sull'immagine da cui è stata ottenuta la regione di interesse, come le dimensioni del vossile X, Y e Z. Il terzo foglio contiene le informazioni sulla feature. Le caratteristiche sono separate per categoria.
I parametri per la categoria di funzionalità sono elencati nella seconda colonna. Tutte le funzionalità selezionate per quella categoria sono elencate nella terza colonna. La quinta colonna mostra la pre-elaborazione applicata alle funzionalità, mentre la sesta colonna mostra i parametri per la pre-elaborazione.
Una volta padroneggiato, questo strumento può essere utilizzato per estrarre in modo efficiente i dati della texture dalle immagini mediche. È importante ricordare di esaminare attentamente tutti i dati, assicurandosi che la pre-elaborazione e altre impostazioni delle funzionalità siano importanti. Ad esempio, utilizza lo strumento di revisione IBEX per esaminare attentamente le immagini post-elaborazione.
Dopo il suo sviluppo, questa tecnica ha aperto la strada ai ricercatori nel campo della radiomica per esplorare l'uso delle immagini per stratificare i pazienti per risultati come il controllo regionale locale e i pazienti oncologici. Dopo aver visto questo video, dovresti avere una buona comprensione di come utilizzare IBEX per estrarre le caratteristiche dell'immagine dalle immagini mediche. È quindi possibile inserire queste caratteristiche dell'immagine in approcci statistici o di apprendimento automatico per imparare qualcosa sul fenotipo del tumore.
View the full transcript and gain access to thousands of scientific videos
Panoramica
IBEX è uno strumento open-source progettato per studi radiomic di immagini mediche, che consente l'estrazione di caratteristiche quantitative delle immagini legate alla forma e alla texture. Questo strumento facilita l'analisi dell'incertezza e la costruzione di modelli nella ricerca radiomica.
Componenti principali dello studio
Area della scienza
- Immagini mediche
- Radiomics
- Analisi quantitative
Sfondo
- La radiomics implica l'estrazione di caratteristiche da immagini mediche per prevedere gli esiti dei pazienti.
- IBEX è intuitivo ed ha una storia di applicazioni in modelli prognostici.
- Lo strumento supporta la ricerca nella comprensione delle risposte tumorali ai trattamenti.
- Può quantificare i cambiamenti nel tessuto durante il trattamento.
Obiettivo dello studio
- Fornire uno strumento completo per l'estrazione di caratteristiche delle immagini in radiomics.
- Migliorare la comprensione delle correlazioni tra le caratteristiche delle immagini e gli esiti dei pazienti.
- Supportare l'analisi dell'incertezza nella costruzione di modelli.
Metodi utilizzati
- Estrazione di caratteristiche quantitative delle immagini utilizzando IBEX.
- Analisi delle caratteristiche di forma e texture attraverso categorie di matrice di co-occorrenza a livelli di grigio.
- Applicazione della radiomics nella valutazione delle risposte al trattamento del tumore.
- Mostrare lavori pubblicati che utilizzano IBEX per l'analisi dell'incertezza.
Risultati principali
- IBEX facilita l'estrazione di caratteristiche rilevanti delle immagini per la modellazione prognostica.
- Ha dimostrato il potenziale per fornire approfondimenti sui fenotipi tumorali.
- Ha evidenziato la facilità d'uso e la natura open-source dello strumento.
- Ha mostrato applicazioni di successo nella ricerca clinica.
Conclusioni
- IBEX è una risorsa preziosa per i ricercatori nel campo della radiomics.
- Lo strumento migliora la capacità di analizzare e interpretare i dati delle immagini mediche.
- Supporta lo sviluppo di modelli che possono informare le decisioni di trattamento.
Domande frequenti
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.
