Orientações e experiência usando a imagem latente biomarcador Explorer (IBEX) para Radiomics
Summary
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.
Abstract
Imagem latente biomarcador Explorer (IBEX) é uma ferramenta open source para imagiologia médica radiomics trabalho. O objetivo deste trabalho é descrever como usar a interface de utilizador gráfica do IBEX (GUI) e para demonstrar como o IBEX calculados recursos têm sido utilizados em estudos clínicos. IBEX permite a importação de imagens DICOM com Pinnacle arquivos ou arquivos de estrutura de terapia de radiação de DICOM. Uma vez que as imagens são importadas, IBEX tem ferramentas dentro do GUI de seleção de dados para manipular a visualização das imagens, valores de medida voxel e distâncias e criar e editar contornos. IBEX vem com 27 opções de recurso pré-processamento e 132 para projetar conjuntos de recursos. Cada categoria de pré-processamento e recurso possui parâmetros que podem ser alterados. A saída do IBEX é uma planilha que contém: 1) cada característica do conjunto calculado para cada contorno de um conjunto de dados, imagem 2) obter informações sobre cada contorno em um conjunto de dados e 3) um resumo do pré-processamento de recursos e recursos usados com seus selecionados parâmetros. Características, calculadas a partir da IBEX têm sido utilizadas em estudos para testar a variabilidade das características sob diferentes condições de imagem e em modelos de sobrevivência para melhorar os modelos clínicos atuais.
Introduction
Na medicina, o diagnóstico da doença do paciente normalmente incorpora um grande número de exames de diagnóstico, como raios-x, ultra-sonografia, tomografia computadorizada (CT), ressonância magnética (MRI), e varreduras de tomografia por emissão de pósitrons (PET) para ajudar a determinar o curso de atendimento ao paciente. Enquanto os médicos usam essas imagens para avaliar qualitativamente o diagnóstico do paciente, pode haver características quantitativas adicionais que podem ser extraídas para orientar o tratamento do paciente. A lógica é que esses recursos podem representar proteômica e genômicos padrões expressados na escala macroscópica1. Combinando estas informações quantitativas com o atuais informações clínicas, por exemplo, paciente, demografia, podem permitir atendimento mais individualizado. Esta é a teoria por trás do radiomics: apresentam a análise de imagens em um nível de voxel. As características normalmente caem em 5 categorias principais: cinza matriz de co-ocorrência de nível, comprimento de execução nível cinza matriz, matriz de diferença de intensidade de bairro, histograma e forma.
Imagem latente biomarcador Explorer (IBEX) é uma ferramenta de código-fonte aberto para radiomics trabalho2. A interface gráfica do usuário (GUI) foi desenvolvida no MD Anderson Cancer Center, com o objetivo de facilitar a extração e cálculo de recursos quantitativos para auxiliar na tomada de decisões no tratamento do câncer. Uma fonte do código3 e uma versão stand-alone4 estão disponíveis online. IBEX calcula as 5 categorias mais comuns de recursos usados na medicina radiomics com parâmetros que podem ser definidos para cada categoria de recurso. As categorias são: cinza de matriz de co-ocorrência de nível5, comprimento de execução nível cinza matriz6,7, intensidade, bairro intensidade diferença matriz8e forma. Desde que o IBEX é open source, permite resultados de extração de característica harmonizadas instituições financeiras facilmente comparar estudos diferentes radiomics. Todos os recursos no IBEX estão descritos no documento inicial por Zhang et al 2
O objetivo deste manuscrito é fornecer orientações sobre como usar o IBEX e demonstrar suas aplicações através de estudos publicados revistas do grupo radiomics MD Anderson. Desde o seu lançamento para o público em 2015, IBEX tem sido usado para calcular as características de imagens de varredura de CT, PET e MRI pelo grupo radiomics MD Anderson, normalmente investigando características para melhorar a sobrevivência clínica modelos9,10, 11,12,13,14,15,16,17,18,19,20 e por instituições externas21,22,23,24. Orientações adicionais sobre ferramentas de software que pode ser usado para obter as etapas na pesquisa radiomics que não estão incluídas no IBEX podem ser encontrada no Court et al 25
Uma introdução geral para o fluxo de trabalho de IBEX vai ajudar a organizar os dados corretamente antes de iniciar projetos de radiomics utilizando o IBEX. Se importar imagens DICOM, IBEX requer que cada paciente tem sua própria pasta com suas imagens DICOM. Conjunto de estrutura de radiação DICOM é opcional para incluir na pasta do paciente, mas é recomendável em vez de usar a plataforma de contorno no IBEX. Para ajudar com a importação de todos os pacientes para um estudo específico, todas as pastas de paciente podem ser colocadas em uma pasta juntos para que todos os dados podem ser importados para o IBEX usando apenas um passo. Se importando pacientes da Pinnacle, é melhor ter a estrutura definida com o plano do paciente. Como os pacientes podem ter vários conjuntos de imagens e planos dentro Pinnacle, é melhor saber qual imagem definido e plano estão corretos antes de importar. Se o tempo de computação é uma preocupação, reduzindo o número de fatias de imagem para um paciente pode reduzir drasticamente o tempo. Por exemplo, se apenas o fígado tem um interesse em um estudo, mas os pacientes têm varreduras de CT de corpo inteiro, reduzindo as fatias DICOM apenas na medida da área de interesse podem encurtar o tempo de computação (por exemplo, reduzindo o DICOM de 300 fatias para 50 fatias pode levar 1/6t h o tempo). Existem diferentes ferramentas disponíveis para realizar esta redução da fatia, do manual para semiautomática.
Protocol
Representative Results
Discussion
IBEX é uma poderosa ferramenta de pesquisa de radiomics de imagem médica. -Tem até agora sido usado principalmente para fins de Oncologia radiação em estudos realizados pelo grupo de radiomics MD Anderson. IBEX permite a manipulação de ROIs e cálculo de recursos dentro de 5 categorias de recurso principal. A versão de código fonte do IBEX permite ao usuário para aplicativos de design que já não são parte do IBEX, tais como características de matriz de zona cinzenta de nível.
As…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Rachel Ger é financiado pela Rosalie B. Hite Graduate Fellowship e American Legião auxiliar Fellowship. Carlos Cardoso foi financiado pela sociedade George M. Stancel PhD em ciências biomédicas. O desenvolvimento da IBEX foi financiado pela ICN (R03 CA178495).
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)
