Richtsnoeren en ervaring met behulp van Imaging Biomarker Explorer (IBEX) voor Radiomics
8 januari 2018
We beschrijven de IBEX, een open-source tool ontworpen voor medische beeldvorming studie van de radiomics, en hoe deze tool gebruiken. Bovendien, zijn sommige gepubliceerde werken die IBEX gebruikt voor onzekerheidsanalyse en modelbouw tentoongesteld.
Het algemene doel van deze softwaretool is om kwantitatieve beeldkenmerken te extraheren die vallen in vorm of textuur, zoals grijstintenco-voorkomstmatrixcategorieën. Deze tool kan worden gebruikt om enkele belangrijke vragen te beantwoorden op het gebied van radiomics. U kunt bijvoorbeeld kwantitatieve beeldkenmerken extraheren en kijken naar correlaties tussen deze kenmerken en de resultaten van patiënten bij bestralingstherapie.
Het belangrijkste voordeel van deze techniek is dat het open source is, gemakkelijk te gebruiken is en een lange geschiedenis heeft van mensen die het gebruiken voor het extraheren van kenmerken voor gebruik in prognostische modellen. Radiomics heeft het potentieel om informatie te verstrekken over de waarschijnlijke reactie van een tumor op bepaalde behandelingen en kan daarom aanvullende informatie bieden die klinische medewerkers kunnen gebruiken bij het bepalen van de geschiktheid van alternatieve behandelingen. Radiomics kan inzicht geven in het tumorfenotype en kan ook worden toegepast op allosistance, zoals het kwantificeren van veranderingen van meer weefsel gedurende de behandeling.
Over het algemeen zullen individuen die nieuw zijn met deze methode worstelen, omdat het selecteren van de juiste instellingen voor de verschillende kenmerken, zoals de bitdiepte hersampling, belangrijk is, dus het is essentieel om hierop te letten. Visuele demonstratie is cruciaal omdat er veel stappen en details zijn. Zorgvuldige aandacht voor detail is belangrijk voor goede resultaten in radiomische studies.
Om te beginnen, installeert u IBEX zoals beschreven in het bijbehorende tekstprotocol. Eenmaal geïnstalleerd, laadt u IBEX en maakt u een nieuwe gebruiker om uw gegevens te importeren en op te slaan. Klik vervolgens op het importpictogram en selecteer ofwel de DICOM- of Pinnacle-bestandsversie negenindeling door op de naam van het formaat te klikken en vervolgens op volgende.
Om alle patiënten tegelijkertijd te importeren, vinkt u het vakje batchmap aan in de rechterbovenhoek en klikt u vervolgens op de knop meer naast de vermelde map. Selecteer de map die alle patiëntenmappen bevat met hun bijbehorende DICOM-afbeeldingen en bestralings-DICOM-structuurbestanden. Klik ten slotte op de knop afsluiten.
Om te beginnen, laadt u een patiëntenbestand door eerst op het gegevenspictogram te klikken. Klik vervolgens in het gedeelte een patiënt selecteren op het gewenste patiëntenbestand om te openen. Klik vervolgens in het gedeelte selecteer beeldset op de gewenste beeldset van het patiëntenbestand en klik vervolgens op de knop openen.
Gebruik de pijlen om door de afbeeldingen te scrollen die in de axiale, coronale en sagittale weergaven worden weergegeven. Selecteer vervolgens de zoomknop en teken een vak op het beeldvlak om in te zoomen. Klik met de rechtermuisknop op het beeld om uit te zoomen.
Klik vervolgens op de knop vensterniveau. Er verschijnt een andere knop, wanneer dit gebeurt, sleep de linker- en rechterkant naar het gewenste gebied, of voer handmatig de vensterniveau in de venster- en niveauvakken aan de onderkant van het nieuwe venster in. Selecteer verschillende vensterniveaus met behulp van het eerste vervolgkeuzemenu aan de linkerkant.
Er zijn acht opties voor CT en één optie voor PET. Visualiseer de interessegebieden door op het vak naast het interessegebied te klikken om het zichtbaar te maken op de afbeeldingen, of klik op de knop "Op alle ROI's" om alle interessegebieden in te schakelen. Bereid vervolgens de dataset voor om de contouren te bekijken.
Om dit te bereiken, klikt u eerst op de knop dataset tonen om contouren in de dataset te bekijken. Zodra datasets zijn bekeken, sluit u het venster. Dit is een nieuwe gebruiker met net geïmporteerde patiënten, dus we hebben nog geen datasets gemaakt.
Selecteer vervolgens de contouren om toe te voegen aan de dataset door het selectievakje naast hun naam aan te vinken en klik op de knop toevoegen aan dataset. Klik op de naam van de dataset om de contouren toe te voegen, of klik op de knop nieuw voor een nieuwe dataset. Als nieuw is geselecteerd, voer de naam van de dataset in het nieuwe venster in en klik vervolgens op de knop OK.
Wanneer u klaar bent, klikt u op de knop afsluiten om terug te keren naar de lijst met patiënten en scans. Klik op het functiepictogram en voeg, indien gewenst, voorverwerking toe door op de knop toevoegen te klikken en de optie voorverwerking te selecteren uit het vervolgkeuzemenu in het nieuwe venster. Klik vervolgens op de i onder Parameters om de voorverwerkingsparameters te selecteren.
Selecteer het getal onder de waardekolom, typ de nieuwe parameterwaarde en klik vervolgens op de knop OK. Voor een beschrijving van de voorverwerkingsmethode en de specifieke parameters, klikt u op de vraagtekenknop in de rechterbovenhoek. Zodra u tevreden bent, klikt u op de knop toevoegen om de voorverwerkingsstap toe te voegen.
Om ongewenste voorverwerkingsstappen te verwijderen, selecteert u de voorverwerkingsstap en klikt u op verwijderen. Selecteer in het menu functiecategorieën de grijstintencovoorkomstmatrix 25 in de buur intensiteitsverschil 25 functiecategorieën om de grijstintencovoorkomstmatrix en de buur intensiteitsverschil matrix respectievelijk in 2.5D te berekenen. Dit wordt bereikt door op elke snede afzonderlijk te berekenen en vervolgens alle matrices samen op te tellen.
Een andere optie is om de grijstintencovoorkomst drie in de buur intensiteitsverschil drie functiecategorieën te selecteren om de grijstintencovoorkomstmatrix en de buur intensiteitsverschil matrix respectievelijk in 3D te berekenen. Klik op de I om de geselecteerde parameters voor die functiecategorie te zien. Om een parameter te wijzigen, voert u de nieuwe waarde in en klikt u op de knop OK.
Voor aanvullende informatie, klikt u op het vraagteken in de rechterbovenhoek. Zodra alle parameters correct zijn ingesteld, klikt u op de knop testen om een functiecategorie of specifiek kenmerk te bekijken door op de knop naast het gewenste kenmerk
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
IBEX is een open-source tool ontworpen voor radiomics studies in medische beeldvorming, waarmee kwantitatieve beeldkenmerken met betrekking tot vorm en textuur kunnen worden geëxtraheerd. Deze tool maakt onzekerheidsanalyse en modelbouw in radiomics-onderzoek mogelijk.
Belangrijke studiecomponenten
Wetenschapsgebied
- Medische beeldvorming
- Radiomics
- Kwantitatieve analyse
Achtergrond
- Radiomics omvat het extraheren van kenmerken uit medische beelden om patiëntresultaten te voorspellen.
- IBEX is gebruiksvriendelijk en heeft een geschiedenis van toepassing in prognostische modellen.
- De tool ondersteunt onderzoek naar het begrijpen van tumorreacties op behandelingen.
- Het kan veranderingen in weefsel gedurende de behandeling kwantificeren.
Doel van het onderzoek
- Om een uitgebreide tool te bieden voor het extraheren van beeldkenmerken in radiomics.
- Om het begrip van correlaties tussen beeldkenmerken en patiëntresultaten te verbeteren.
- Om onzekerheidsanalyse in modelbouw te ondersteunen.
Gebruikte methoden
- Extractie van kwantitatieve beeldkenmerken met behulp van IBEX.
- Analyse van vorm- en textuurkenmerken door middel van categorieën van de matrix voor het co-voorkomen van grijstinten.
- Toepassing van radiomics bij het beoordelen van tumorbehandelingsreacties.
- Tonen van gepubliceerde werken die IBEX gebruiken voor onzekerheidsanalyse.
Belangrijkste resultaten
- IBEX maakt de extractie van relevante beeldkenmerken voor prognostisch modelleren mogelijk.
- Aangetoond potentieel voor het bieden van inzichten in tumorfenotypen.
- De gebruiksvriendelijkheid en open-source aard van de tool benadrukt.
- Succesvolle toepassingen in klinisch onderzoek getoond.
Conclusies
- IBEX is een waardevolle hulpbron voor onderzoekers op het gebied van radiomics.
- De tool verbetert het vermogen om medische beeldgegevens te analyseren en te interpreteren.
- Het ondersteunt de ontwikkeling van modellen die behandelingsbeslissingen kunnen informeren.
Veelgestelde vragen
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.
