Summary

Yönergeler ve biyomarker Explorer (IBEX) görüntüleme için Radiomics kullanarak deneyimi

Published: January 08, 2018
doi:

Summary

Dağ KEÇİSİ, tıbbi görüntüleme radiomics çalışmaları ve bu aracının nasıl kullanılacağı için tasarlanmış bir açık kaynak aracı açıklanmaktadır. Buna ek olarak, dağ KEÇİSİ belirsizlik çözümlemesi için kullanılan ve bina model bazı yayımlanmış eserler görücüye vardır.

Abstract

Biyomarker Explorer (IBEX) görüntüleme bir açık kaynak tıbbi görüntüleme radiomics iş için bir araçtır. Bu kağıt amacı dağ KEÇİSİ’ın grafik kullanıcı arabirimini (GUI) ve dağ KEÇİSİ özellikleri klinik çalışmalarda kullanılan hesaplanma göstermek için nasıl tarif etmektir. Dağ KEÇİSİ DICOM görüntüleri alma için DICOM radyasyon terapisi yapısı dosyaları veya Pinnacle dosyaları sağlar. Görüntüleri alındıktan sonra dağ KEÇİSİ içinde görüntüler, ölçü Voksel değerleri ve mesafeler, görüntüleme işlemek ve oluşturmak ve kontür düzenlemek için veri seçimi GUI araçları vardır. Dağ KEÇİSİ şekil sets tasarlamak için 27 önişleme ve 132 özellik seçenekleri ile geliyor. Her ön işleme ve özellik kategorisi değiştirilebilir parametreleri vardır. Dağ KEÇİSİ çıktısını içeren bir elektronik tablo olduğunu: 1) her özelliğin özellik her kontur bir veri kümesinde, bir veri kümesi ve ön işleme 3) bir Özet her kontur hakkında 2) görüntü bilgi için hesaplanan ve onların seçilen ile kullanılan özellikleri parametreleri. Dağ KEÇİSİ hesaplanan özellikler çalışmalarda farklı görüntüleme koşullarında ve hayatta kalma modelleri mevcut klinik modelleri geliştirmek için özellikler değişkenliği sınamak için kullanılır.

Introduction

Tıpta, hasta hastalık tanı genellikle büyük röntgen, ultrason, bilgisayarlı tomografi (BT), manyetik rezonans görüntüleme (MRG), gibi tanı sınav altyapı ve Pozitron emisyon tomografisi (PET) tarar belirlemede yardımcı olmak için Tabii ki hasta bakımı. Doktorlar hastanın tanı niteliksel değerlendirmek için bu görüntüleri kullanırken, hasta bakımı rehberlik için çıkarılan ek nicel özellikler olabilir. Bu özellikler proteomik ve genomik desenler üzerinde makroskobik ölçekte1ifade temsil edebilir mantığı olduğunu. Bu niceliksel bilgileri geçerli klinik bilgi, örneğin, hasta demografi, ile birleştirerek daha bireyselleştirilmiş hasta bakımı izin verebilir. Radiomics arkasındaki teori bu: özelliği görüntülerin Voksel düzeyde analiz. Özellikleri genellikle 5 ana kategoriye ayrılır: gri düzey ortak oluşumu matris, gri düzey çalışma uzunluğu matris, mahalle yoğunluk farkı matris, çubuk grafik ve şekil.

Biyomarker Explorer (IBEX) görüntüleme bir açık kaynak radiomics iş2için bir araçtır. Grafik kullanıcı arabirimi (GUI) MD Anderson Kanser Merkezi kanser Bakımı karar vermede yardımcı olan çıkarma ve kantitatif özelliklerin hesaplama kolaylaştırmak amacı ile geliştirilmiştir. Bir kaynak kodu3 ve tek başına4 sürümü online olarak mevcuttur. Dağ KEÇİSİ özellikleri her özellik kategorisi için ayarlayabilirsiniz parametreleri ile tıbbi radiomics kullanılan en yaygın 5 kategorilerini hesaplar. Bu gruplar şunlardır: gri düzey ortak oluşumu matris5, gri düzey çalışma uzunluğu matris6,7, yoğunluk, mahalle yoğunluk farkı matris8ve şekil. Dağ KEÇİSİ açık kaynak olduğu için farklı radiomics çalışmalar kolayca karşılaştırmak için kurumlar arasında uyumlu özelliği ayıklama sonuçlarını için sağlar. Dağ KEÇİSİ içinde tüm özellikleri ilk gazetede Zhang vd tarafından açıklanan 2

Dağ KEÇİSİ kullanmak ve yayımlanmış çalışmalar hakemli aracılığıyla uygulamaları MD Anderson radiomics grubundan göstermek için nasıl bir kılavuz sağlamak için bu yazının amacı budur. Piyasaya çıktığından beri halka 2015 yılında, dağ KEÇİSİ CT, PET ve MRI tarama görüntü özelliklerinden hesaplamak için MD Anderson radiomics grubu tarafından genellikle klinik hayatta kalma modelleri9,10geliştirmek için özellikleri soruşturma kullanılmıştır, 11,12,13,14,15,16,17,18,19,20 ve dış kurumları21,22,23,24tarafından. Dağ KEÇİSİ içinde yer almayan adımlar radiomics araştırma için kullanılan yazılım araçları üzerinde ek yönergeler-ebilmek bulunmak içinde mahkeme vd. 25

Dağ KEÇİSİ iş akışı için genel bir giriş verileri düzgün dağ KEÇİSİ kullanan radiomics proje başlamadan önce düzenlemek için yardımcı olacaktır. DICOM görüntüleri içe aktarma, dağ KEÇİSİ her hasta onların DICOM görüntüleri ile kendi klasör var gerektirir. DICOM radyasyon yapısı küme hasta klasöründe eklemek isteğe bağlıdır, ancak içinde dağ KEÇİSİ şekillendirici platformu kullanmak yerine önerilir. Böylece tüm verileri tek bir adım kullanarak dağ KEÇİSİ alınabilecek tüm hastalar için belirli bir çalışma alma ile yardımcı olmak için tüm hasta klasörleri bir klasöre birlikte yerleştirilebilir. Hastalar Pinnacle’dan alma, hasta plana ayarla yapısı en iyisi. Hasta birden çok görüntü kümeleri ve plan Pinnacle içinde olabilir bilmek hangi resim koymak için en iyi ve plan doğru almadan önce olduğu. Hesaplama zaman bir sorun oluşturacaksa, bir hasta için görüntü dilimleri sayısını azaltarak zaman önemli ölçüde azaltır. Örneğin, karaciğer bir çalışmada ilgilendirmez ama hastaların yalnızca tam vücut CT taramaları, DICOM dilimleri sadece ilgi alanı ölçüde azaltılması (DICOM 300 dilimleri 50 dilimlere azaltılmasıörneğin, 1/6t alabilir hesaplama zaman kısaltabilir h zaman). Bu dilim azaltma, yarı otomatik el ile gerçekleştirmek farklı araçlar vardır.

Protocol

1. Install dağ KEÇİSİ Not: yüklemek için bir kaynak kodu sürüm gidin adım 1.1. Alternatif olarak, tek başına bir sürümünü yüklemek için 1.2 adıma gidin. Kaynak kodu sürüm Dağ KEÇİSİ kaynak kodu sürüm Web sitesi3′ e geçin. “IBEX_Source.zip” ve “How_to_use.pdf” dosya indirmek. En son dağ KEÇİSİ sürümü kullanmak için ön koşul bulmak için “How_to_use.pdf” dosyasında arayın.Not: Dağ KEÇİSİ …

Representative Results

Bir elektronik tablo Web bölümünün çıktısı, dağ KEÇİSİ olduğunu 3 sekmeleri içerir (bkz. şekil 4). “Sonuçlar” sekmesini (şekil 4A) veri kümesindeki her yatırım Getirisi için özellik değerlerini içerir. “Veri bilgi.” sekmesi (şekil 4B) veri kümesindeki her yatırım Getirisi alınan görüntüleri hakkında bilgi içerir. Ve ön işleme özel…

Discussion

Dağ KEÇİSİ tıbbi görüntüleme radiomics araştırma için güçlü bir araçtır. Bu zamana kadar çoğunlukla MD Anderson radiomics grubu tarafından yürütülen çalışmalarda Radyasyon Onkoloji amaçlı kullanılmıştır. Dağ KEÇİSİ ROIs manipülasyon ve hesaplama özellikleri içinde 5 ana özellik kategorileri sağlar. Kaynak kod sürümü dağ KEÇİSİ, zaten dağ KEÇİSİ, gri düzeyi bölge matris özellikleri gibi dahil olmayan tasarım uygulamaları için kullanıcı sağlar.

<p class="jove_…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Rachel Ger Rosalie d. Hite Yüksek Lisans Bursu ve American Legion yardımcı arkadaş grubu tarafından finanse edilmektedir. Carlos Cardenas George M. Stancel Doktora Bursu Biyomedikal bilimlerde tarafından finanse edilmektedir. Dağ KEÇİSİ gelişimi ncı (R03 CA178495) tarafından finanse edildi.

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

  1. Lambin, P., et al. Radiomics: extracting more information from medical images using advanced feature analysis. EJC. 48, 441-446 (2012).
  2. Zhang, L., et al. IBEX: an open infrastructure software platform to facilitate collaborative work in radiomics. Med Phys. 42, 1341-1353 (2015).
  3. Haralick, R. M., Shanmugam, K. Textural features for image classification. IEEE Trans Syst Man Cybern. , 610-621 (1973).
  4. Galloway, M. M. Texture analysis using gray level run lengths. Comp Graphics and Im Proc. 4, 172-179 (1975).
  5. Tang, X. Texture information in run-length matrices. IEEE Trans on Im Proc. 7, 1602-1609 (1998).
  6. Amadasun, M., King, R. Textural features corresponding to textural properties. IEEE Trans Syst Man Cybern. 19, 1264-1274 (1989).
  7. Fave, X., et al. Preliminary investigation into sources of uncertainty in quantitative imaging features. Comp Med Imaging Graph. 44, 54-61 (2015).
  8. 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).
  9. 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).
  10. Fave, X., et al. Delta-radiomics features for the prediction of patient outcomes in non-small cell lung cancer. Scientific Reports. 7, 588 (2017).
  11. 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).
  12. 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).
  13. Mackin, D., et al. Measuring Computed Tomography Scanner Variability of Radiomics Features. Invest radiol. 50, 757-765 (2015).
  14. 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).
  15. 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).
  16. Hunter, L. A., et al. NSCLC tumor shrinkage prediction using quantitative image features. Comp Med Imaging Graph. 49, 29-36 (2016).
  17. 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).
  18. 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).
  19. Gan, J., et al. MO-DE-207B-09: A Consistent Test for Radiomics Softwares. Med Phys. 43, 3706-3706 (2016).
  20. 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).
  21. 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).
  22. Hanania, A. N., et al. Quantitative imaging to evaluate malignant potential of IPMNs. Oncotarget. 7, 85776-85784 (2016).
  23. Court, L. E., et al. Computational resources for radiomics. Trans Cancer Res. 5, 340-348 (2016).
  24. . Matlab Add path Available from: https://www.mathworks.com/help/matlab/ref/addpath.html (2017)
  25. Zhao, B., et al. Reproducibility of radiomics for deciphering tumor phenotype with imaging. Sci Rep. 6, 23428 (2016).
  26. Owens, C., et al. Reproducibility and Robustness of Radiomic Features Extracted with Semi-Automatic Segmentation Tools. Med Phys. , (2017).
  27. 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).
  28. . IBEX Google Forum Available from: https://groups.google.com/forum/#!forum/ibex_users (2017)

Play Video

Cite This Article
Ger, R. B., Cardenas, C. E., Anderson, B. M., Yang, J., Mackin, D. S., Zhang, L., Court, L. E. Guidelines and Experience Using Imaging Biomarker Explorer (IBEX) for Radiomics. J. Vis. Exp. (131), e57132, doi:10.3791/57132 (2018).

View Video