ガイドラインと Radiomics のイメージング バイオ マーカー エクスプ ローラー (アイベックス) の使用経験
2018年1月8日
アイベックス、医療イメージング radiomics とどのようにこのツールを使用するために設計されたオープン ソースのツールについて述べる.また、不確かさ解析のアイベックス テクノロジーを使用しているし、モデル構築いくつかの出版された作品が展示されています。
このソフトウェアツールの全体的な目標は、グレーレベルの共起マトリックスカテゴリなどの形状やテクスチャに分類される定量的な画像特徴を抽出することです。このツールは、ラジオミクスの分野におけるいくつかの重要な質問に答えるために使用できます。たとえば、定量的な画像の特徴を抽出し、放射線治療でそれらと患者の転帰との相関関係を調べることができます。
この手法の主な利点は、オープンソースであること、使いやすく、予後モデルで使用する特徴を抽出するために人々がそれを使用してきた長い歴史があることです。ラジオミクスは、特定の治療に対する腫瘍の可能性のある反応に関する情報を提供する可能性があるため、臨床スタッフが代替治療の適切性を判断する際に使用できる追加情報を提供できる。ラジオミクスは、腫瘍の表現型に関する洞察を提供するだけでなく、治療中のより多くの組織の変化を定量化するなどのアロシスタンスにも適用できます。
一般に、ビット深度のリサンプリングなどのさまざまな機能に対して適切な設定を選択することが重要であるため、この方法に不慣れな個人は苦労するでしょう。視覚的なデモンストレーションは、多くの手順と詳細があるため、非常に重要です。ラジオミック研究で良好な結果を得るためには、細部への細心の注意が重要です。
まず、付属のテキストプロトコルで説明されているIBEXをインストールします。インストールが完了したら、IBEXをロードし、新しいユーザーを作成してデータをインポートして保存します。次に、インポート アイコンをクリックし、形式の名前をクリックして DICOM または Pinnacle ファイル バージョン 9 形式を選択し、[次へ] をクリックします。
すべての患者を一度にインポートするには、右上隅にあるバッチフォルダボックスにチェックを入れ、リストされたディレクトリの横にある[その他]ボタンをクリックします。すべての患者フォルダと、対応するDICOM画像および放射線DICOM構造ファイルを含むフォルダを選択します。最後に、終了ボタンをクリックします。
まず、データアイコンをクリックして患者ファイルを読み込みます。次に、患者の選択セクションで、目的の患者ファイルをクリックして開きます。次に、[画像セットの選択]セクションで、目的の患者ファイルの画像セットをクリックし、[開く]ボタンをクリックします。
矢印を使用して、軸方向、冠状、およびサジタルのビューに表示される画像をスクロールします。次に、ズーム ボタンを選択し、ズームする画像平面上にボックスを描画します。画像を右クリックしてズームアウトします。
次に、ウィンドウレベルボタンをクリックします。別のボタンがポップアップし、ポップアップしたら、左側と右側を目的の領域にドラッグするか、新しいウィンドウの下部にあるウィンドウボックスとレベルボックスにウィンドウレベルを手動で入力します。左側の最初のドロップダウンメニューを使用して、さまざまなウィンドウレベルを選択します。
CTには8つのオプションがあり、PETには1つのオプションがあります。関心領域を視覚化するには、関心領域の横にあるボックスをクリックして画像に表示するか、[すべてのROIs]ボタンをクリックしてすべての関心領域をオンにします。次に、等高線を表示するためのデータセットを準備します。
これを実現するには、まず「データセットを表示」ボタンをクリックして、データセット内の等高線を表示します。データ・セットが表示されたら、ウィンドウを閉じます。これはインポートされたばかりの患者を持つ新しいユーザーであるため、まだデータセットは作成されていません。
次に、名前の横にあるチェックボックスをクリックしてデータセットに追加する等高線を選択し、[データセットに追加]ボタンをクリックします。データセットの名前をクリックしてコンターを追加するか、新しいデータセットの新規ボタンをクリックします。「新規」を選択した場合は、新しいウィンドウにデータ・セットの名前を入力し、「OK」ボタンをクリックします。
終了したら、終了ボタンをクリックして、患者とスキャンのリストに戻ります。機能アイコンをクリックし、必要に応じて追加ボタンをクリックし、新しいウィンドウのドロップダウンメニューから前処理オプションを選択することで、前処理を追加します。次に、[パラメーター] の下の [i] をクリックして、前処理パラメーターを選択します。
[値] 列の下の数値を選択し、新しいパラメーター値を入力して、[OK] ボタンをクリックします。前処理方法と特定のパラメータの説明については、右上隅にある疑問符ボタンをクリックしてください。問題がなければ、追加ボタンをクリックして前処理ステップを追加します。
不要な前処理ステップを削除するには、前処理ステップを選択し、[削除] をクリックします。特徴カテゴリメニューで、近傍強度差25特徴カテゴリのグレーレベル同時発生行列25を選択して、グレーレベルの共起行列と近傍強度差行列をそれぞれ2.5Dで計算します。これは、各スライスで個別に計算し、すべての行列を合計することで実現されます。
別のオプションは、近傍強度差 3 フィーチャ カテゴリでグレー レベル 共起 3 を選択して、グレー レベル 共起マトリックスと近傍強度差分マトリックスをそれぞれ 3D で計算することです。[I] をクリックすると、そのフィーチャ カテゴリの選択したパラメータが表示されます。パラメータを変更するには、新しい値を入力して[OK]ボタンをクリックします。
詳細については、右上隅にある疑問符をクリックしてください。すべてのパラメータが正しく設定されたら、テストボタンをクリックして、目的の機能またはカテゴリの横にあるボタンをクリックして、機能カテゴリまたは特定の機能を表示します。テストを表示するデータセットを選択し、[開く] ボタンをクリックします。
選択したデータセットの患者の横にあるチェックボックスをオンにして、テストボタンをクリックします。テストに満足したら、ウィンドウを閉じます。選択したカテゴリの不要なフィーチャをオフにします。
すべての機能のチェックを外すには、セット2、機能の下にある「機能」という単語をクリックします。選択したすべてのフィーチャを選択した前処理で追加するには、[フィーチャ セットに追加] ボタンをクリックします。名前と機能セットを選択して [開く] ボタンをクリックするか、これらの機能を新しいセットに追加するには、新しいボタンをクリックします。
新しいウィンドウにフィーチャーセットの名前を入力し、「OK」をクリックします。次に、[フィーチャ セットの表示] ボタンをクリックして、対応する前処理手法を持つフィーチャを表示します。表示する機能セットを選択し、[開く] をクリックします。ドロップダウンメニューの前処理パラメータと機能カテゴリを確認します。
パラメータの下のIボタンをクリックして編集します。終了したら、ウィンドウを閉じます。メイン機能ウィンドウで、[データセットの表示]ボタンをクリックして、現在のデータセットを表示します。
次に、表示するデータセットを選択し、[開く]ボタンをクリックします。終了したら、終了ボタンをクリックします。出力を準備するには、まず結果アイコンをクリックし、次にステップ1で機能を実行するデータセットをクリックし、ステップ2で選択したデータで実行する機能セットをクリックします。
次に、データの表示ボタンをクリックして選択したデータセットを表示し、続いて機能の表示ボタンをクリックして選択した機能セットを表示します。最後に、[計算して結果を保存]ボタンをクリックします。結果のファイル名を入力し、保存 を選択します。
IBEXからの出力は、3枚のシートを持つスプレッドシートです。ここに示されているのは、このチュートリアル ビデオで実行したよりも多くの関心領域と選択された特徴を含む、より複雑な出力です。最初のシートには、データセットに配置された各関心領域の特徴値が含まれています。
グレー レベルの共起行列とグレー レベルのランレングス マトリックスの特徴では、行列が計算される各方向の値と、333 として指定されたすべての方向の平均行列が出力されます。4 行目はフィーチャ カテゴリを示し、5 行目はそのカラムのヘッダー (インデックス、画像、関心領域、MRN、または特定のフィーチャ) を示します。2 番目のシートには、データ情報が含まれています。
これは、関心領域が取得された画像に関する情報です (X、Y、Z ボキシルの寸法など)。3 番目のシートには、フィーチャ情報が含まれています。フィーチャはカテゴリ別に分かれています。
フィーチャ カテゴリのパラメータは、2 列目にリストされています。そのカテゴリで選択したすべてのフィーチャが 3 列目に一覧表示されます。5 列目はフィーチャに適用された前処理を示し、6 列目は前処理のパラメーターを示します。
このツールを習得すると、医療画像からテクスチャデータを効率的に抽出するために使用できます。前処理やその他の機能設定が重要であることを確認するなど、すべてのデータを注意深く確認することが重要です。たとえば、IBEX レビュー ツールを使用して、後処理の画像を慎重にレビューします。
この技術は、その開発後、ラジオミクスの分野の研究者が、局所的な地域制御やがん患者などの結果を得るために患者を層別化するための画像の使用を探求する道を開きました。このビデオを見た後、IBEXを使用して医療画像から画像の特徴を抽出する方法を十分に理解しているはずです。その後、これらの画像の特徴を統計的または機械学習のアプローチに当てはめて、腫瘍の表現型について何かを学ぶことができます。
完全なトランスクリプトを表示し、数千本の科学動画にアクセス
概要
IBEXは医療画像ラディオミクス研究用に設計されたオープンソースツールで、形状とテクスチャに関連する定量的画像特徴の抽出を可能にします。このツールはラディオミクス研究における不確実性分析とモデル構築を促進します。
主要な研究コンポーネント
科学の分野
- 医療画像
- ラディオミクス
- 定量分析
背景
- ラディオミクスは医療画像から特徴を抽出し、患者の結果を予測することを含みます。
- IBEXは使いやすく、予後モデルへの応用の歴史があります。
- このツールは治療に対する腫瘍反応の理解の研究をサポートします。
- 治療全体を通じた組織の変化を定量化することができます。
研究の目的
- ラディオミクスにおける画像特徴の抽出のための包括的なツールを提供すること。
- 画像特徴と患者の結果の間の相関関係の理解を向上させること。
- モデル構築における不確実性分析をサポートすること。
使用した方法
- IBEXを用いた定量的画像特徴の抽出。
- グレーレベル共起行列カテゴリーを通じた形状とテクスチャ特徴の分析。
- 腫瘍治療反応の評価におけるラディオミクスの適用。
- 不確実性分析にIBEXを利用した公開作品の紹介。
主要な結果
- IBEXは予後モデリングに関連する画像特徴の抽出を促進します。
- 腫瘍表現型への洞察を提供する可能性を実証しました。
- ツールの使いやすさとオープンソースの性質を強調しました。
- 臨床研究における成功した応用を紹介しました。
結論
- IBEXはラディオミクス分野の研究者にとって貴重なリソースです。
- このツールは医療画像データの分析と解釈の能力を向上させます。
- 治療決定に情報を提供できるモデルの開発をサポートします。
よくある質問
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.
