Richtlinien und Erfahrung mit Imaging-Biomarker Explorer (Steinbock), für Radiomics
Summary
Wir beschreiben Steinbock, ein Open Source Tool für medizinische bildgebende Radiomics und wie Sie dieses Tool verwenden. Darüber hinaus sind einige Veröffentlichungen, die IBEX für Unsicherheitsanalyse verwendet und Modell Gebäude präsentiert.
Abstract
Imaging Biomarker Explorer (IBEX) ist ein Open-Source-Werkzeug für medizinische bildgebende Radiomics Arbeit. Der Zweck dieses Artikels ist zu beschreiben, wie STEINBÖCKE die grafische Benutzeroberfläche (GUI) zu verwenden und zu zeigen, wie IBEX berechnet, dass Funktionen in klinischen Studien verwendet wurden. IBEX ermöglicht den Import von DICOM-Bilder mit DICOM Strahlung Therapie Struktur oder Pinnacle Dateien. Sobald die Bilder importiert wurden, hat IBEX Werkzeuge innerhalb der Daten-Auswahl-GUI, das Betrachten der Bilder, Voxel Messwerte und Entfernungen, zu manipulieren und erstellen und Bearbeiten von Konturen. Steinbock kommt mit 27 Vorverarbeitung und 132 Feature, Feature-Sets zu entwerfen. Jede Vorverarbeitung und Funktion Kategorie verfügt über Parameter, die geändert werden können. Die Ausgabe von IBEX ist eine Tabellenkalkulation, die enthält: (1) jedes Feature aus der Feature-set berechnet für jede Kontur in einem Dataset, Bild 2) Informationen über jede Kontur in ein Dataset und 3) eine Übersicht über die Vorverarbeitung und Features, die mit ihren ausgewählten verwendet Parameter. Funktionen von IBEX berechnet haben in Studien verwendet wurde, um die Variabilität der Funktionen unter anderen bildgebenden Bedingungen und überleben Modelle zur Verbesserung der aktuellen klinischen Modelle zu testen.
Introduction
In der Medizin, Patienten Diagnose in der Regel beinhaltet zahlreiche diagnostische Untersuchungen wie Röntgen, Ultraschall, Computertomographie (CT), Magnetresonanztomographie (MRT) und Positronen-Emissions-Tomographie (PET)-scans helfen bei der Bestimmung der Kurs der Patientenversorgung. Während Ärzte diese Bilder verwenden, um die Diagnose des Patienten qualitativ zu bewerten, möglicherweise zusätzliche quantitative Funktionen, die extrahiert werden können, um die Versorgung der Patienten zu führen. Das Grundprinzip ist, dass diese Funktionen Proteomic und genomische Muster auf der makroskopischen Skala1ausgedrückt darstellen können. Diese quantitative Informationen mit den aktuellen klinischen Informationen, z. B., Patientendaten, kombinieren können mehr individuelle Patientenversorgung. Das ist die Theorie hinter Radiomics: Analyse von Bildern auf einem Voxel-Niveau verfügen. Funktionen werden in der Regel in 5 Hauptkategorien unterteilt: graue Level Co-Occurrence Matrix, graue Ebene Lauflänge Matrix, Nachbarschaft Intensität Unterschied Matrix, Histogramm und Form.
Imaging Biomarker Explorer (IBEX) ist ein Open-Source-Werkzeug für Radiomics Arbeit2. Die grafische Benutzeroberfläche (GUI) wurde mit dem Ziel der Erleichterung der Extraktion und Berechnung der quantitativen Merkmale zur Unterstützung bei der Entscheidungsfindung in der Krebsbehandlung am MD Anderson Cancer Center entwickelt. Eine Quelle Code3 und eine Stand-alone-4 -Version stehen online zur Verfügung. IBEX berechnet die 5 häufigsten Kategorien von Funktionen in medizinischen Radiomics mit Parametern, die für jede Funktion Kategorie eingestellt werden können. Die Kategorien sind: graue Level Co-Occurrence Matrix5, graue Ebene Lauflänge Matrix6,7, Intensität, Nachbarschaft Intensität Unterschied Matrix8und Form. Da STEINBÖCKE open Source ist, ermöglicht es für harmonisierte Feature Extraktion Ergebnisse über Institutionen leicht unterschiedliche Radiomics Studien vergleichen. Alle Funktionen im Steinbock sind in das erste Papier von Zhang Et Al. beschrieben. 2
Dieses Manuskript soll Hilfestellung wie STEINBÖCKE zu nutzen und ihre Anwendungen durch Peer-reviewed Studien aus der MD Anderson Radiomics Gruppe zu demonstrieren. Seit ihrer Veröffentlichung für die Öffentlichkeit im Jahr 2015 wurde IBEX verwendet, um Eigenschaften von CT, PET und MRT-Scan-Bilder berechnen gruppenweise Radiomics MD Anderson Untersuchung in der Regel Funktionen zur Verbesserung der klinischen überleben Modelle9,10, 11,12,13,14,15,16,17,18,19,20 und durch externe Institutionen21,22,23,24. Zusätzliche Hinweise auf Software-Tools, die für die Schritte in der Radiomics Forschung verwendet werden können, die nicht im Steinbock enthalten sind finden Sie im Hof Et al. 25
Eine allgemeine Einführung in den Workflow des STEINBOCKS hilft, um Daten richtig zu organisieren, vor Beginn der Radiomics Projekte mit Steinbock. Wenn Import von DICOM-Bildern, erfordert IBEX, dass jeder Patient seinen eigenen Ordner mit ihrer DICOM-Bilder. DICOM Strahlung Struktur ist optional der Patienten Ordner enthalten, sondern empfiehlt sich anstelle der Konturierung Plattform im Steinbock. Um mit dem Import aller Patienten für eine spezielle Studie zu unterstützen, können alle Patienten Ordner zusammen in einem Ordner platziert werden, so dass IBEX mit nur einem Schritt alle Daten importiert werden können. Wenn Patienten von Pinnacle importieren, empfiehlt es sich, die Struktur, die mit dem Patienten Plan festgelegt haben. Da Patienten mehrere Bildsätze und Pläne innerhalb von Pinnacle haben können, ist es am besten um zu wissen, welches Bild gesetzt und Plan vor dem Import korrekt sind. Wenn Rechenzeit ein Anliegen ist, kann die Reduzierung der Bildsegmente für einen Patienten drastisch verkürzen. Beispielsweise können wenn nur die Leber von Interesse in einer Studie ist, aber die Patienten haben Ganzkörper CT Scans, die DICOM-Scheiben auf nur das Ausmaß der Interessenbereich zu reduzieren Rechenzeit zu verkürzen (z.B.Verringerung der DICOM von 300 Scheiben auf 50 Scheiben 1/6 t nehmen h die Zeit). Es gibt verschiedene Tools zur Verfügung, um diese Scheibe Reduktion von manuell, halbautomatisch durchführen.
Protocol
Representative Results
Discussion
Steinbock ist ein leistungsfähiges Werkzeug für die medizinische Bildgebung Radiomics Forschung. Es wurde bisher vor allem für Strahlung Onkologie Zwecke in Studien, die von der MD Anderson Radiomics Gruppe eingesetzt. IBEX ermöglicht die Manipulation des ROIs und Berechnung von Funktionen innerhalb von 5 Hauptmerkmal Kategorien. Die Source-Code-Version des STEINBOCKS ermöglicht dem Benutzer, Design-Anwendungen, die nicht bereits Teil des STEINBOCKS, z. B. Ebene Grauzone Matrix Features.
…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Rachel Ger wird von Rosalie B. Hite Graduate Fellowship und American Legion Auxiliary Stipendium finanziert. Carlos Cardenas wurde durch die George M. Stancel PhD Fellowship in den biomedizinischen Wissenschaften finanziert. Die Entwicklung der IBEX wurde durch das NCI (R03 CA178495) finanziert.
Materials
| Excel | Microsoft Office | Any version of excel should work. | |
| Matlab | MathWorks | Only use IBEX on 32 bit Matlab 2011a or 64 bit Matlab 2014b. |
References
- Lambin, P., et al. Radiomics: extracting more information from medical images using advanced feature analysis. EJC. 48, 441-446 (2012).
- Zhang, L., et al. IBEX: an open infrastructure software platform to facilitate collaborative work in radiomics. Med Phys. 42, 1341-1353 (2015).
- Haralick, R. M., Shanmugam, K. Textural features for image classification. IEEE Trans Syst Man Cybern. , 610-621 (1973).
- Galloway, M. M. Texture analysis using gray level run lengths. Comp Graphics and Im Proc. 4, 172-179 (1975).
- Tang, X. Texture information in run-length matrices. IEEE Trans on Im Proc. 7, 1602-1609 (1998).
- Amadasun, M., King, R. Textural features corresponding to textural properties. IEEE Trans Syst Man Cybern. 19, 1264-1274 (1989).
- Fave, X., et al. Preliminary investigation into sources of uncertainty in quantitative imaging features. Comp Med Imaging Graph. 44, 54-61 (2015).
- Fave, X., et al. Can radiomics features be reproducibly measured from CBCT images for patients with non-small cell lung cancer. Med Phys. 42, 6784-6797 (2015).
- Fave, X., et al. Impact of image preprocessing on the volume dependence and prognostic potential of radiomics features in non-small cell lung cancer. Trans Cancer Res. 5, 349-363 (2016).
- Fave, X., et al. Delta-radiomics features for the prediction of patient outcomes in non-small cell lung cancer. Scientific Reports. 7, 588 (2017).
- Fried, D. V., et al. Stage III Non-Small Cell Lung Cancer: Prognostic Value of FDG PET Quantitative Imaging Features Combined with Clinical Prognostic Factors. Radiology. 278, 214-222 (2016).
- Fried, D. V., et al. 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. IJROBP. 94, 368-376 (2016).
- Mackin, D., et al. Measuring Computed Tomography Scanner Variability of Radiomics Features. Invest radiol. 50, 757-765 (2015).
- Yang, J., et al. Uncertainty analysis of quantitative imaging features extracted from contrast-enhanced CT in lung tumors. Comp Med Imaging Graph. 48, 1-8 (2016).
- van Rossum, P. S., et al. 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. JNM. 57, 691-700 (2016).
- Hunter, L. A., et al. NSCLC tumor shrinkage prediction using quantitative image features. Comp Med Imaging Graph. 49, 29-36 (2016).
- Hunter, L. A., et al. High quality machine-robust image features: identification in nonsmall cell lung cancer computed tomography images. Med Phys. 40, 121916 (2013).
- Fried, D. V., et al. Prognostic value and reproducibility of pretreatment CT texture features in stage III non-small cell lung cancer. IJROBP. 90, 834-842 (2014).
- Gan, J., et al. MO-DE-207B-09: A Consistent Test for Radiomics Softwares. Med Phys. 43, 3706-3706 (2016).
- Klawikowski, S., Christian, J., Schott, D., Zhang, M., Li, X. SU-D-207B-07: Development of a CT-Radiomics Based Early Response Prediction Model During Delivery of Chemoradiation Therapy for Pancreatic Cancer. Med Phys. 43, 3350-3350 (2016).
- Huang, W., Tu, S. SU-F-R-22: Malignancy Classification for Small Pulmonary Nodules with Radiomics and Logistic Regression. Med Phys. 43, 3377-3378 (2016).
- Hanania, A. N., et al. Quantitative imaging to evaluate malignant potential of IPMNs. Oncotarget. 7, 85776-85784 (2016).
- Court, L. E., et al. Computational resources for radiomics. Trans Cancer Res. 5, 340-348 (2016).
- . Matlab Add path Available from: https://www.mathworks.com/help/matlab/ref/addpath.html (2017)
- Zhao, B., et al. Reproducibility of radiomics for deciphering tumor phenotype with imaging. Sci Rep. 6, 23428 (2016).
- Owens, C., et al. Reproducibility and Robustness of Radiomic Features Extracted with Semi-Automatic Segmentation Tools. Med Phys. , (2017).
- Kassner, A., Liu, F., Thornhill, R. E., Tomlinson, G., Mikulis, D. J. Prediction of hemorrhagic transformation in acute ischemic stroke using texture analysis of postcontrast T1-weighted MR images. JMRI. 30, 933-941 (2009).
- . IBEX Google Forum Available from: https://groups.google.com/forum/#!forum/ibex_users (2017)
