Orientações e experiência usando a imagem latente biomarcador Explorer (IBEX) para Radiomics
January 8th, 2018
Descrevemos o IBEX, uma ferramenta de código aberto projetada para estudos de radiomics de imagiologia médica e como usar esta ferramenta. Além disso, alguns trabalhos publicados que utilizaram IBEX para análise de incerteza e construção do modelo são exibidos.
O objetivo geral desta ferramenta de software é extrair recursos quantitativos de imagem que se enquadram em forma ou textura, como categorias de matriz de co-ocorrência de nível de cinza. Esta ferramenta pode ser usada para responder a algumas perguntas-chave no campo da radiômica. Por exemplo, você pode extrair características quantitativas de imagem e observar as correlações entre elas e os resultados dos pacientes na radioterapia.
A principal vantagem dessa técnica é que ela é de código aberto, é fácil de usar e tem um longo histórico de pessoas que a usam para extrair recursos para uso em modelos de prognóstico. A radiômica tem potencial para fornecer informações sobre a provável resposta de um tumor a certos tratamentos e, portanto, pode fornecer informações adicionais que a equipe clínica pode usar para determinar a adequação de tratamentos alternativos. A radiômica pode fornecer informações sobre o fenótipo do tumor, também pode ser aplicada à alusistância, como alterações quantitativas de mais tecido ao longo do tratamento.
Geralmente, os indivíduos novos nesse método terão dificuldades, porque selecionar as configurações corretas para os diferentes recursos, como a reamostragem de profundidade de bits, é importante, por isso é vital prestar atenção a eles. A demonstração visual é fundamental, pois há muitas etapas e detalhes. A atenção cuidadosa aos detalhes é importante para bons resultados em estudos radiômicos.
Para começar, instale o IBEX descrito no protocolo de texto que acompanha. Uma vez instalado, carregue o IBEX e crie um novo usuário para importar e salvar seus dados. Em seguida, clique no ícone de importação e selecione o formato de arquivo DICOM ou Pinnacle versão nove clicando no nome do formato e, em seguida, clique em Avançar.
Para importar todos os pacientes de uma só vez, marque a caixa da pasta de lotes no canto superior direito e clique no botão mais ao lado do diretório listado. Selecione a pasta que contém todas as pastas do paciente com suas imagens DICOM correspondentes e arquivos de estrutura DICOM de radiação. Por fim, clique no botão sair.
Para começar, carregue um arquivo de paciente clicando primeiro no ícone de dados. Em seguida, na seção selecionar um paciente, clique no arquivo do paciente desejado para abrir. Em seguida, na seção selecionar conjunto de imagens, clique no conjunto de imagens do arquivo do paciente desejado e, em seguida, clique no botão abrir.
Use as setas para percorrer as imagens que são mostradas nas vistas axial, coronal e sagital. Em seguida, selecione o botão de zoom e desenhe uma caixa no plano da imagem para ampliar. Clique com o botão direito na imagem para diminuir o zoom.
Em seguida, clique no botão de nível da janela. Outro botão aparecerá, quando isso acontecer, arraste os lados esquerdo e direito para a área desejada ou insira manualmente o nível da janela nas caixas de janela e nível na parte inferior da nova janela. Selecione diferentes níveis de janela usando o primeiro menu suspenso à esquerda.
Existem oito opções para TC e uma opção para PET. Visualize as regiões de interesse clicando na caixa ao lado da região de interesse para torná-la visível nas imagens ou clique no botão "Em todos os ROIs" para ativar todas as regiões de interesse. Em seguida, prepare o conjunto de dados para visualizar os contornos.
Para fazer isso, primeiro clique no botão mostrar conjunto de dados para visualizar os contornos no conjunto de dados. Depois que os conjuntos de dados forem exibidos, feche a janela. Este é um novo usuário com pacientes recém-importados, portanto, ainda não temos conjuntos de dados criados.
Em seguida, selecione os contornos a serem adicionados ao conjunto de dados clicando na caixa de seleção ao lado do nome e clique no botão adicionar ao conjunto de dados. Clique no nome do conjunto de dados para adicionar os contornos ou clique no botão novo para um novo conjunto de dados. Se novo for selecionado, insira o nome do conjunto de dados na nova janela e clique no botão OK.
Quando terminar, clique no botão sair para retornar à lista de pacientes e exames. Clique no ícone do recurso e adicione o pré-processamento, se desejar, clicando no botão adicionar e selecionando a opção de pré-processamento no menu suspenso na nova janela. Em seguida, clique no i em Parâmetros para selecionar os parâmetros de pré-processamento.
Selecione o número na coluna de valor, digite o novo valor do parâmetro e clique no botão OK. Para obter a descrição do método de pré-processamento e os parâmetros específicos, clique no botão de ponto de interrogação no canto superior direito. Quando estiver satisfeito, clique no botão adicionar para adicionar a etapa de pré-processamento.
Para excluir etapas de pré-processamento indesejadas, selecione a etapa de pré-processamento e clique em excluir. No menu de categorias de recursos, selecione a matriz de coocorrência de nível de cinza 25 nas categorias de recursos de diferença de intensidade do vizinho 25 para calcular a matriz de coocorrência de nível de cinza e a matriz de diferença de intensidade de vizinhança, respectivamente, em 2,5D. Isso é feito calculando cada fatia individualmente e, em seguida, somando todas as matrizes.
Outra opção é selecionar a co-ocorrência de nível de cinza três nas categorias de feição de diferença de intensidade vizinha três para calcular a matriz de co-ocorrência de nível de cinza e a matriz de diferença de intensidade de vizinhança, respectivamente, em 3D. Clique no I para ver os parâmetros selecionados para essa categoria de feição. Para alterar um parâmetro, insira o novo valor e clique no botão OK.
Para obter informações adicionais, clique no ponto de interrogação no canto superior direito. Depois que todos os parâmetros estiverem definidos corretamente, clique no botão de teste para visualizar uma categoria de recurso ou recurso específico clicando no botão ao lado do recurso ou categoria desejada. Selecione o conjunto de dados para exibir o teste e clique no botão abrir.
Marque a caixa ao lado dos pacientes do conjunto de dados selecionado e clique no botão de teste. Feche a janela quando estiver satisfeito com o teste. Desmarque todos os recursos indesejados para a categoria selecionada.
Para desmarcar todos os recursos, clique na palavra recursos"no conjunto dois, recursos. Para adicionar todos os recursos selecionados com o pré-processamento selecionado, clique no botão adicionar ao conjunto de recursos. Selecione o nome e o conjunto de recursos e clique no botão abrir ou, para adicionar esses recursos a um novo conjunto, clique no botão novo.
Insira o nome do conjunto de recursos na nova janela e clique em OK. Em seguida, clique no botão mostrar conjunto de recursos para visualizar recursos com técnicas de pré-processamento correspondentes. Selecione o conjunto de recursos a ser exibido e clique em abrir. Observe os parâmetros de pré-processamento e as categorias de recursos nos menus suspensos.
Edite-os clicando no botão I em parâmetros. Quando terminar, feche a janela. Na janela principal do recurso, clique no botão mostrar conjunto de dados para visualizar os conjuntos de dados atuais.
Em seguida, selecione o conjunto de dados a ser exibido e clique no botão abrir. Quando terminar, clique no botão Sair. Para preparar a saída, primeiro clique no ícone de resultado, depois clique no conjunto de dados para executar os recursos, na etapa um, e clique no conjunto de recursos para executar nos dados selecionados na etapa dois.
Em seguida, clique no botão visualizar dados para visualizar o conjunto de dados selecionado, seguido pelo botão visualizar feição para visualizar o conjunto de feição selecionado. Por fim, clique no botão calcular e salvar resultado. Insira o nome do arquivo para os resultados e selecione salvar.
A saída do IBEX é uma planilha com três folhas. Aqui é mostrada uma saída mais complicada com mais regiões de interesse e recursos selecionados do que foi executado neste vídeo tutorial. A primeira planilha contém os valores de feição para cada região de interesse colocada no conjunto de dados.
Para os recursos de matriz de coocorrência de nível de cinza e de comprimento de execução de nível de cinza, um valor é gerado para cada direção em que a matriz é calculada, bem como uma matriz média em todas as direções designada como 333. A quarta linha indica a categoria do recurso e a quinta linha indica o cabeçalho dessa coluna, designado índice, imagem, região de interesse, MRN ou recurso específico. A segunda planilha contém as informações de dados.
Esta é uma informação sobre a imagem da qual a região de interesse foi obtida, como as dimensões X, Y e Z voxyl. A terceira planilha contém as informações do recurso. Os recursos são separados por sua categoria.
Os parâmetros para a categoria de recurso são listados na segunda coluna. Todos os recursos selecionados para essa categoria são listados na terceira coluna. A quinta coluna mostra o pré-processamento que foi aplicado aos recursos e a sexta coluna mostra os parâmetros para o pré-processamento.
Uma vez dominada, essa ferramenta pode ser usada para extrair com eficiência os dados de textura de imagens médicas. É importante lembrar de revisar cuidadosamente todos os dados, incluindo garantir que o pré-processamento e outras configurações de recursos sejam importantes. Por exemplo, use a ferramenta de revisão IBEX para revisar cuidadosamente as imagens pós-processamento.
Após seu desenvolvimento, essa técnica abriu caminho para pesquisadores no campo da radiômica explorarem o uso de imagens para estratificar pacientes para resultados como controle regional local e pacientes com câncer. Depois de assistir a este vídeo, você deve ter uma boa compreensão de como usar o IBEX para extrair recursos de imagem de imagens médicas. Você pode então colocar esses recursos de imagem em abordagens estatísticas ou de aprendizado de máquina para aprender algo sobre o fenótipo do tumor.
View the full transcript and gain access to thousands of scientific videos
Visão Geral
IBEX é uma ferramenta de código aberto projetada para estudos de radiomics em imagens médicas, permitindo a extração de características quantitativas de imagem relacionadas à forma e textura. Esta ferramenta facilita a análise de incerteza e a construção de modelos em pesquisas de radiomics.
Componentes Principais do Estudo
Área da Ciência
- Imagens Médicas
- Radiomics
- Análise Quantitativa
Fundamento
- Radiomics envolve a extração de características de imagens médicas para prever resultados de pacientes.
- IBEX é fácil de usar e tem um histórico de aplicação em modelos prognósticos.
- A ferramenta suporta pesquisas na compreensão das respostas tumorais aos tratamentos.
- Pode quantificar mudanças no tecido ao longo do tratamento.
Propósito do Estudo
- Fornecer uma ferramenta abrangente para extrair características de imagem em radiomics.
- Aprimorar a compreensão das correlações entre características de imagem e resultados de pacientes.
- Apoiar a análise de incerteza na construção de modelos.
Métodos Utilizados
- Extração de características quantitativas de imagem usando IBEX.
- Análise de características de forma e textura através de categorias de matriz de co-ocorrência de níveis de cinza.
- Aplicação de radiomics na avaliação das respostas ao tratamento de tumores.
- Exibição de trabalhos publicados utilizando IBEX para análise de incerteza.
Principais Resultados
- IBEX facilita a extração de características relevantes de imagem para modelagem prognóstica.
- Demonstrou potencial para fornecer insights sobre fenótipos tumorais.
- Destacou a facilidade de uso e a natureza de código aberto da ferramenta.
- Exibiu aplicações bem-sucedidas em pesquisas clínicas.
Conclusões
- IBEX é um recurso valioso para pesquisadores no campo da radiomics.
- A ferramenta aprimora a capacidade de analisar e interpretar dados de imagens médicas.
- Suporta o desenvolvimento de modelos que podem informar decisões de tratamento.
Perguntas Frequentes
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.
