지침 및 경험을 사용 하 여 이미징 바이오 마커 익스플로러 (아이 벡 스) Radiomics에 대 한
Summary
우리 아이 벡 스, 의료 이미징 radiomics 연구, 그리고이 도구를 사용 하는 방법에 대 한 설계는 오픈 소스 도구를 설명 합니다. 또한, 불확실성 분석에 대 한 벡 스를 사용 하 고 건물 모델 일부 출판된 작품 전시 됩니다.
Abstract
바이오 마커 익스플로러 (아이 벡 스) 이미징 의료 이미징 radiomics 작업에 대 한 오픈 소스 도구입니다. 이 문서의 목적은 아이 벡 스의 그래픽 사용자 인터페이스 (GUI)를 사용 하 고 벡 스 기능 임상 연구에서 사용 된 계산 하는 방법을 설명 하는 방법을 설명 하는 것입니다. 아이 벡 스는 DICOM 방사선 치료 구조 파일 또는 피나 클 파일 DICOM 이미지의 가져오기에 대 한 수 있습니다. 이미지를 가져올 일단 아이 벡 스는 거리, 이미지 측정 복 값의 보기를 조작 하 고 작성 하 고 편집할 등고선 데이터 선택 GUI 내에서 도구가 있습니다. 아이 벡 스 27 전처리 및 132 기능 선택 기능 세트 디자인 함께 제공 됩니다. 각 전처리 및 기능 범주는 변경 될 수 있는 매개 변수가 있습니다. 아이 벡 스에서 출력은 포함 하는 스프레드시트: 각 데이터 집합에 윤곽선, 데이터 집합, 및 3)는 전처리의 요약에서 각 윤곽선에 대 한 2) 이미지 정보에 대 한 계산된 기능 및 그들의 선택과 함께 사용 하는 기능에서 1) 각 기능 매개 변수입니다. 아이 벡 스에서 계산 하는 기능 테스트 기능 다른 이미징 조건 하에서, 현재 임상 모델을 개선 하기 위해 생존 모델에서의 다양성을 연구에 사용 되었습니다.
Introduction
의학, 환자 질병 진단 일반적으로 엑스레이, 초음파, 컴퓨터 단층 촬영 (CT), 자기 공명 영상 (MRI)과 같은 진단 시험의 많은 수를 통합 하 고 양전자 방출 단층 촬영 (PET) 검사 결정에서 원조 하는 환자 치료의 과정입니다. 의사가이 이미지를 사용 하 여 질적으로 환자의 진단 평가 하는 동안 추가 양적 기능을 환자 치료 안내를 추출할 수 있을 수 있습니다. 근거는 이러한 기능 수 있습니다 나타내고 proteomic 거시적인 규모1에 표현 하는 게놈 패턴입니다. 이 정량적 인 정보를 결합 하 여 현재 임상 정보, 예를 들면, 환자 인구, 더 개별된 환자 치료를 수 있습니다. 이것은 radiomics의 뒤에 이론: 복 수준에 이미지의 분석 기능. 특징 일반적으로 5 가지 주요 범주로을: 회색 레벨 동시 발생 매트릭스, 회색 레벨 실행된 길이 행렬, 이웃 강도 차이 매트릭스, 히스토그램, 및 모양.
이미징 바이오 마커 익스플로러 (아이 벡 스) radiomics 작업2에 대 한 오픈 소스 도구입니다. 그래픽 사용자 인터페이스 (GUI)는 암 치료에서 의사 결정을 지원 하기 위해 추출 및 정량 기능의 계산을 촉진의 목표와 MD 앤더슨 암 센터에서 개발 되었다. 독립형4 버전과 소스 코드3 온라인 사용할 수 있습니다. 아이 벡 스는 각 기능 범주에 대해 설정할 수 있는 매개 변수와 함께 의료 radiomics에서 사용 하는 기능의 5 가장 일반적인 범주를 계산 합니다. 카테고리: 회색 레벨 동시 발생 매트릭스5, 회색 레벨 실행된 길이 매트릭스6,7, 강도, 이웃 강도 차이 매트릭스8및 모양. 벡 스 오픈 소스 이기 때문에, 그것은 있게 조화 기능 추출 결과 대 한 기관에 걸쳐 쉽게 다른 radiomics 연구를 비교 합니다. 아이 벡 스 내의 모든 기능 장 그 외 여러분 에 의해 초기 종이에 설명 되어 있습니다. 2
이 원고의 목적은 아이 벡 스 사용 하 고 MD 앤더슨 radiomics 그룹에서 출판된 연구 피어-검토 한 결과 통해 응용 프로그램을 설명 하는 방법에 지침을 제공 하는 것입니다. 2015 년에는 대 중에 게 그것의 릴리스 이후 아이 벡 스 사용 되었습니다 CT, 애완 동물, 그리고 MRI 스캔 이미지에서 기능을 계산 하려면 MD 앤더슨 radiomics 그룹에 의해 일반적으로 임상 생존 모델9,10, 개선 하는 기능을 조사 11,12,13,14,15,,1617,18,19,20 및 외부 기관21,22,,2324로. 아이 벡 스에 포함 되지 않은 radiomics 연구 단계에 사용할 수 있는 소프트웨어 도구에 대 한 추가 지침 법원 외 에서 찾을 수 있습니다. 25
아이 벡 스의 워크플로에 대 한 일반적인 소개를 벡 스를 활용 하 여 radiomics 프로젝트를 시작 하기 전에 데이터를 제대로 구성 하는 데 도움이 됩니다. DICOM 이미지를 가져오는 경우 각 환자는 그들의 DICOM 이미지와 함께 그들의 자신의 폴더 아이 벡 스 필요 합니다. DICOM 방사선 구조 집합은 환자 폴더에 포함 되지만 대신 아이 벡 스에서 컨투어링 플랫폼을 사용 하 여 것이 좋습니다 있습니다. 특정 연구에 대 한 모든 환자를 가져오기 지원, 모든 환자 폴더 놓일 수 있다 하나의 폴더에 함께 있도록 벡 스만 한 단계를 사용 하 여 모든 데이터를 가져올 수 있습니다. 피나 클에서 환자를 가져오는 경우 환자 계획 설정 하는 구조를가지고 최상 이다. 환자는 여러 이미지 세트와 피나 클 내 계획 있을 수 있습니다, 그것은 어떤 이미지 설정 알아야 최고의 계획 가져오기 전에 올바른지. 계산 시간이 중요 한 경우, 환자에 대 한 이미지 조각의 수를 줄이고 시간을 크게 줄일 수 있습니다. 예를 들어 경우에 간 연구에 대 한 관심의 이다 하지만 환자 전신 CT 검사, 관심 분야의만 정도로 DICOM 분할 영역을 줄이고 계산 시간 (예를 들어, 300 조각에서 50 조각은 DICOM을 줄일 수 있습니다 1/6t를 단축할 수 있다 h 시간). 다른 도구에서 세미 자동으로 수동이 슬라이스 감소를 수행할 수 있다.
Protocol
Representative Results
Discussion
아이 벡 스는 의료 이미징 radiomics 연구를 위한 강력한 도구입니다. 그것은 지금까지 주로 사용 되었습니다 MD 앤더슨 radiomics 그룹에 의해 실시 하는 연구에서 방사선 종양학 목적. 아이 벡 스 ROIs의 조작 및 기능 5 주요 기능 범주 내에서 계산에 대 한 수 있습니다. 아이 벡 스의 소스 코드 버전에 포함 되지 않은 이미 아이 벡 스의 회색 레벨 영역 매트릭스 기능 같은 디자인 응용 프로그램 사용자 수…
Disclosures
The authors have nothing to disclose.
Acknowledgements
레이첼 Ger로 잘 리 나 하이트 대학원 친교와 미국 군단 보조 친교에 의해 자금이 다. 카를로스 Cardenas 생물 과학에 조지 M. Stancel 박사 친교에 의해 자금 하고있다. 아이 벡 스의 개발은 NCI (R03 CA178495)에 의해 투자 되었다.
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)
