Name: guidelines and experience using imaging biomarker explorer (ibex) for radiomics
Uploaded: 2018-01-08T15:00:00.000+00:00
Duration: 10 min 17 s
Description: Watch this Scientific Journal Video about Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics at JoVE.com

Rachel Ger está financiado por la beca de postgrado de Rosalie B. Hite y American Legión auxiliar beca. Carlos Cardenas ha sido financiado por la beca de George M. Stancel PhD en las ciencias biomédicas. El desarrollo del IBEX fue financiado por el NCI (R03 CA178495).

1. Instale IBEX
Nota: Para instalar una versión de código fuente vaya al paso 1.1. Como alternativa, instalar una versión independiente diríjase al paso 1.2.
<ol><li>
Versión de código fuente
	<ol>
<li>Ir a la IBEX código fuente versión Página Web3. Descargar los archivos "IBEX_Source.zip" y "How_to_use.pdf". Busque en el archivo "How_to_use.pdf" para encontrar los requisitos previos para usar la última versión IBEX. Nota: IBEX sólo funciona en 32 bits y 64 bits versiones de Matlab 2011a y 2014b, respectivamente.</li>
		<li>Una vez que haya finalizado la descarga, descomprime el "IBEX_Source.zip" y agregar la carpeta \IBEX_Source a la ruta local. Nota: Las instrucciones sobre cómo agregar una ruta de acceso pueden encontrarse en la página de referencias de software para "añadir ruta"26.</li>
		<li>Tipo "IBEXMain" en la ventana de comandos para iniciar el IBEX.</li>
	</ol>
</li>
	<li>
Versión independiente
	<ol>
<li>Ir al IBEX versión independiente sitio Web4. Si IBEX por primera vez, vaya a la carpeta "Dependencias" y descargar/instalar el "MCRInstaller.exe", vc2005redist_x86_new.exe, "y"vc2012redist_x86.exe". Desde la Página principal, descarga el "IBEX.exe," "IBEX.ctf", "IBEX.ini," y "How_to_use.pdf" los archivos en la misma carpeta. Buscar en el archivo "How_to_use.pdf" de los requisitos previos usar la última versión IBEX.</li>
		<li>Haga doble clic en "IBEX.exe" para iniciar el IBEX.</li>
	</ol>
</li>
</ol>2. establecer la ubicación
Nota: Las imágenes se importan a este lugar determinado y los datos para este estudio también se almacenan aquí. Ubicación de usos más previamente aplicados IBEX como la ubicación predeterminada cuando volvió a lanzar.
<ol><li>Haga clic en el icono de "Ubicación" (figura 1).</li>
	<li>Seleccione usuario o haga doble clic en "Nuevo usuario" para crear una nueva carpeta de usuario. Si crear una nueva carpeta de usuario, escriba el nombre en la nueva ventana haga clic en el botón "OK".</li>
	<li>Seleccione el sitio en el usuario seleccionado o haga doble clic en "Nuevo sitio" para crear una nueva carpeta de sitio. Si crear una nueva carpeta de usuario, escriba el nombre en la nueva ventana haga clic en el botón "OK".</li>
	<li>Haga clic en el botón "OK" en la parte inferior.</li>
</ol>3. importar imágenes
<ol><li>Haga clic en el icono "Importar" (figura 1).</li>
	<li>Seleccione DICOM o Pinnacle9 (versión del archivo Pinnacle 9) formato haciendo clic en el nombre del formato. Para importar DICOM imágenes ir a paso 3.3.1. Importación de Pinnacle9 archivos van a paso 3.3.2.</li>
	<li>Haga clic en el botón "Siguiente".<ol>
<li>Importación de imágenes DICOM Nota: Para importar pacientes individualmente van al paso 3.3.1.1. Importación de múltiples pacientes a la vez van al paso 3.3.1.2.<ol>
<li>Importar a cada paciente individualmente, seleccionando la carpeta de paciente a través del directorio.<ol>
<li>Haga clic en el botón "..." al lado del lista directorio para seleccionar la carpeta de paciente que contiene las imágenes DICOM y estructura de radiación conjunto de archivos DICOM (opcional). Nota: Mientras que es solamente opcional importar una estructura de conjunto con los archivos de pacientes, se recomienda encarecidamente hacerlo. IBEX con una plataforma de contorno dentro de ella, pero esto no es algo práctico para grandes conjuntos de datos. IBEX puede acomodar sistemas de estructura de plataformas de software comercial que conozcan herramientas de contorno para oncólogos, que hace que el flujo de trabajo mucho más fácil. Esto suele ser cómo el IBEX se utiliza en estudios.</li>
				<li>Haga clic en el botón "Importar" en la parte inferior izquierda una vez que el IBEX ha terminado de buscar los archivos DICOM, el paciente y se popularán cajas detalles.</li>
				<li>Repita los pasos 3.3.1.1.1 - 2 para cada paciente.</li>
				<li>Haga clic en el botón "Salir" después de todos los pacientes son importados.</li>
			</ol>
</li>
			<li>Importación de todos los pacientes a la vez marcando la casilla 'Carpeta de lote' en la esquina superior derecha. Nota: Todos los pacientes deben tener una carpeta separada que contiene sus respectivos archivos DICOM.<ol>
<li>Haga clic en el botón "..." al lado del lista directorio para seleccionar la carpeta que contiene todas las carpetas de pacientes con sus correspondientes imágenes DICOM y estructura de radiación conjunto de archivos DICOM (opcional).</li>
				<li>Haga clic en el botón "Importar". Pacientes se importarán secuencialmente. Haga clic en el botón "Salir" después de todos los pacientes son importados.</li>
			</ol>
</li>
		</ol>
</li>
		<li>Archivos de Pinnacle<ol>
<li>Configurar el Host de Pinnacle y base de datos dentro del archivo "\IBEX\ImportExport\ImportModule\Pinnacle9\Pinnacle9ImportMain.INI". Antes de seleccionar Pinnacle en la caja del módulo de importación, haga clic en el botón "Config".</li>
			<li>Seleccione el correcto Pinnacle Host y base de datos.</li>
			<li>El MRN de paciente, el apellido o el nombre y haga clic en otra parte en la ventana.</li>
			<li>Haga clic en el botón "Consulta".</li>
			<li>El paciente en la nueva ventana seleccione el botón "Transfer".</li>
			<li>Haga clic en el cuadro de los imagen deseada de juegos de que el paciente en la nueva ventana y haga clic en el botón "OK".</li>
			<li>Haga clic en el botón "OK" en la nueva ventana que se denomina "Datos importados con éxito".</li>
			<li>Haga clic en el botón "Salir" después de todos los pacientes son importados.</li>
		</ol>
</li>
	</ol>
</li>
</ol>4. visualización de imágenes y las regiones de interés (ROIs)
<ol><li>Haga clic en el icono de "Datos" (figura 1). Haga clic en el archivo deseado en la sección "Seleccionar a un paciente" de la GUI (mitad superior).</li>
	<li>Haga clic en el conjunto de la imagen de la paciente archivo para abrir en la sección "Seleccionar conjuntos de imagen" de la interfaz gráfica (mitad inferior). Haga clic en el botón "Abrir".</li>
	<li>Use las flechas debajo de las imágenes para desplazarse por las imágenes que se muestran en axial, coronales, y vistas sagitales (de izquierda a derecha).</li>
	<li>Ampliar la imagen haciendo clic en el botón de "Zoom" (figura 2). Trazar un rectángulo en el plano de la imagen para hacer zoom. Haga clic para alejar.</li>
	<li>Encienda los localizadores seleccionando el botón de "Cruce" (figura 2). Nota: Las líneas que aparecen muestran donde ese sector se encuentra en cada plano. Estas líneas mueven al desplazarse con las flechas.</li>
	<li>Haga clic en el botón de "Regla" (figura 2) para medir distancias. Haga clic en y mantenga presionado el botón izquierdo del ratón para medir entre los dos puntos de interés. Suelte el ratón para eliminar el valor medido de la zona mostrada.</li>
	<li>Haga clic en el botón de "CT Num" (figura 2) para medir el valor de un voxel. Haga clic y mantenga el botón izquierdo del ratón en el voxel de interés y el valor aparecerá en el lado izquierdo de la interfaz gráfica debajo de la escala de color. Suelte el ratón para eliminar el valor medido de la zona mostrada.</li>
	<li>Haga clic en el botón "W/L" (figura 2) a nivel de ventana de las imágenes. Otra ventana aparecerá. Arrastre los lados izquierdo y derecho al área deseada o introducir manualmente el nivel de ventana en los cuadros de ventana y nivel en la parte inferior de la ventana de nuevo. Seleccione Ventana/niveles usando el primer menú desplegable de la izquierda ( figura 2): hay 8 para CT y 1 para PET.</li>
	<li>Seleccionar el color diferentes escalas usando el segundo menú desplegable menú de la izquierda (figura 2): hay 9 opciones para elegir.</li>
	<li>Visualizar ROIs haciendo clic en la casilla al lado del retorno de la inversión a hacer visible en las imágenes o haga clic en el botón "Sobre todo ROIs" para todo paciente ROIs.</li>
</ol>5. editar el retorno de la inversión
<ol><li>Edit ROIs haciendo clic en el botón "Edit ROIs" en la parte superior izquierda o en la parte inferior central. Seleccionar el contorno a editar haciendo clic en la casilla al lado de su nombre.</li>
	<li>Utilice el botón de "Empujar contornos" (figura 3) hacer contornos o como ya dibujado. Ajustar el tamaño del círculo en la casilla "D" al lado del botón de empujar contornos.</li>
	<li>Quite un trozo entero de contorno mediante el botón "Cortar contornos" (figura 3). Haga clic y mantenga pulsado el botón izquierdo del ratón y dibuje un cuadro alrededor del ROI a quitarse.</li>
	<li>Dibujar contornos Nota: Vaya al paso 5.4.1 para dibujar contornos conectando puntos. Vaya al paso 5.4.2 para dibujar contornos de manos libres.<ol>
<li>Conectando puntos: Utilice el botón "Dibujar contornos (1)" (figura 3) para dibujar un contorno en cada segmento haciendo clic en los puntos alrededor del contorno donde los puntos están conectados por líneas rectas. Completar el retorno de la inversión para ese segmento haciendo clic en el primer punto dibujado.</li>
		<li>Mano: Utilice el botón "Dibujar contornos (2)" (figura 3) para dibujar un contorno a mano libre. Mantenga pulsado el botón izquierdo del ratón para dibujar el contorno en el segmento. Volviendo al principio de la ROI dibujado y luego soltar el botón izquierdo del ratón para finalizar el contorno en ese segmento.</li>
	</ol>
</li>
	<li>Clic en el botón "Interpolar contornos" (figura 3) para interpolar ROIs entre las rodajas.</li>
	<li>Haga clic en el botón de "ROI de copiar" para copiar el ROI.</li>
	<li>Combinar ROIs ROIs múltiples de seleccionando y haciendo clic en el botón "Merge ROI".</li>
	<li>Haga clic en el botón "Borrar ROI" para eliminar el retorno de la inversión seleccionada.</li>
	<li>Haga clic en "Crear ROI" para crear un nuevo ROI que una ventana se abrirá. Escriba el nombre del ROI y haga clic en el botón "OK". Haga clic en el botón "Guardar". Haga clic en el botón "Exit" para volver al paciente espectador.</li>
</ol>6. contorno del conjunto de datos
<ol><li>Contornos de la vista del conjunto de datos<ol>
<li>Haga clic en el botón "Mostrar el conjunto de datos" para ver los contornos del conjunto de datos. Haga clic en el nombre del conjunto de datos para ver. Haga clic en el botón "Abrir". Seleccionar paciente contornos mediante el cuadro de al lado de su nombre. Haga clic en el botón "Delete", "Mover" o "Copia" según la función deseada para ese contorno. Cierre la ventana de conjunto de datos una vez terminada de ver el conjunto de datos.</li>
	</ol>
</li>
	<li>Añadir contornos para el conjunto de datos<ol>
<li>Seleccione contornos para agregar a un conjunto de datos haciendo clic en la casilla de verificación junto a su nombre y haga clic en el botón "añadir al conjunto de datos". Haga clic en el nombre del conjunto de datos para agregar los contornos o haga clic en el botón "Nuevo" para un nuevo conjunto de datos. Si se selecciona nuevo, escriba el nombre del conjunto de datos en la nueva ventana. Haga clic en el botón "OK".</li>
	</ol>
</li>
	<li>Haga clic en el botón "Importar ROIs" para importar un archivo de 9 .roi la versión Pinnacle si contornos no fueron cargados en la sección 3.<ol>
<li>Haga clic en el botón "..." para seleccionar el archivo. Haga clic en el botón "Importar".</li>
	</ol>
</li>
	<li>Haga clic en el botón "Exportar ROIs" para exportar ROIs.<ol>
<li>Haga clic en el botón "..." para seleccionar el directorio en el que se colocará ROIs exportados. Haga clic en el nombre del formato que se prefiere para el ROIs exportados. Ingrese la información del anonymization si prefiere. Haga clic en el botón exportar. Nota: La programación es para que no anonymization a realizar.</li>
	</ol>
</li>
	<li>Haga clic en el botón "Exit" para volver a la lista de pacientes y las exploraciones.</li>
</ol>7. crear el conjunto de características
<ol><li>Haga clic en el icono de "Característica".</li>
	<li>Añadir procesamiento previo.<ol>
<li>Haga clic en el botón "Añadir" en "Paso 1: preprocesar". Seleccione la opción preprocesamiento en el menú desplegable en la ventana nueva.</li>
		<li>Haga clic en la "i" bajo "Párr." para seleccionar los parámetros de preprocesamiento. Haga clic en el número en la columna de valor en la nueva ventana de parámetro para cambiarlo. Escriba el nuevo valor del parámetro y haga clic en el botón "OK".</li>
		<li>Haga clic en el botón de "interrogación" en la esquina superior derecha para una descripción de los métodos de preprocesamiento y procesamiento de parámetros específicos.</li>
		<li>Haga clic en el botón "Añadir". Seleccionar el paso de preprocesamiento y haga clic en el botón "Delete" para eliminar pasos de preprocesamiento no deseados.</li>
	</ol>
</li>
	<li>Añadir las características deseadas.<ol>
<li>Seleccione la categoría de función en el menú desplegable debajo de "paso 2: características Categoría:". Repita los pasos en varias categorías. Nota: Sólo una categoría de funciones se puede añadir en un momento. Diferentes combinaciones de categorías de preprocesamiento y característica pueden agregarse a la misma función si lo desea.<ol>
<li>Seleccione "GrayLevelCooccurenceMatrix25" y las categorías de la característica de "NeighborIntensityDifference25" para calcular la matriz de co-ocurrencia nivel gris y matriz de diferencia de intensidad de barrio, respectivamente, en 2,5 D, que se realiza al computar la matriz en cada rebanada individualmente y luego sumar todas las matrices juntos.</li>
			<li>Seleccione "GrayLevelCooccurenceMatrix3" y las categorías de la característica de "NeighborIntensityDifference3" para calcular la matriz de co-ocurrencia nivel gris y matriz de diferencia de intensidad de barrio, respectivamente, en 3D.</li>
		</ol>
</li>
		<li>Haga clic en la "i" bajo "Párr." para los parámetros seleccionados para ese proceso previo. Haga clic en el botón de "interrogación" en la esquina superior derecha para una descripción de parámetros y el método de preprocesamiento.<ol>
<li>Escriba el nuevo valor del parámetro y haga clic en el botón "OK".</li>
		</ol>
</li>
		<li>Haga clic en el botón "Test" para ver una categoría de función o característica específica. Haga clic en el botón junto a la característica o la categoría deseada.<ol>
<li>Seleccione el conjunto de datos para ver la prueba y haga clic en el botón "Abrir". Marque la casilla junto a los pacientes del conjunto de datos seleccionado para ver la prueba y haga clic en el botón "Test".</li>
		</ol>
</li>
		<li>Desactivar características indeseables para la categoría seleccionada; todas las características se seleccionan después de seleccionar la categoría. Haga clic en la palabra "características:" bajo "Step2: características" desactive todas las funciones.</li>
		<li>Haga clic en el botón "Añadir a conjunto de funcionalidades" para añadir todas las características seleccionadas con preprocesamiento seleccionadas.<ol>
<li>Seleccione la función para añadir funciones y haga clic en el botón "Abrir" o haga clic en el botón "Nuevo" para agregar características a un conjunto de características nuevas. Si crear un nuevo conjunto de características, ingrese el nombre de la función de establecer en la nueva ventana y haga clic en el botón "OK".</li>
		</ol>
</li>
	</ol>
</li>
	<li>Haga clic en el botón "Mostrar características Set" para ver las características técnicas de preprocesamiento correspondiente para ver las características en un conjunto de características.<ol>
<li>Seleccione la función para ver, haga clic en el botón "Abrir" y haga clic en el botón "Nuevo" para crear un nuevo conjunto de características. Si crear un nuevo conjunto de características, ingrese el nombre de la función de establecer en la nueva ventana y haga clic en el botón "OK".</li>
	</ol>
</li>
	<li>Haga clic en el botón "Mostrar el conjunto de datos" para ver los conjuntos de datos actuales.<ol>
<li>Seleccione el conjunto de datos para ver y haga clic en el botón "Abrir" o haga clic en el botón "Nuevo" para crear un nuevo conjunto de datos. Si crear un nuevo conjunto de datos, escriba el nombre del conjunto de datos en la nueva ventana y haga clic en el botón "OK".</li>
	</ol>
</li>
	<li>Haga clic en el botón "Exit".</li>
</ol>8. salida características
<ol><li>Haga clic en el icono de "Resultado". Haga clic en el conjunto de datos para ejecutar las funciones en "paso 1: conjunto de datos." Haga clic en la función a ejecutar en los datos seleccionados en "paso 2: conjunto de funciones."</li>
	<li>Haga clic en el botón "Obtener información" para ver el conjunto de datos seleccionado. Haga clic en el botón de "Vista característica" para ver el conjunto de características seleccionadas.</li>
	<li>Haga clic en el botón de "Calcular y guardar el resultado". Escriba el nombre de archivo para los resultados y haga clic en el botón "Guardar".</li>
</ol>9. estadística de modelo de construcción
<ol><li>Abra el archivo de resultados guardados. Nota: esto está típicamente debajo de usuario C:\IBEX\DataIbex\[Selected en el paso 2.2] \ [sitio seleccionado en el paso 2.3] \1FeatureResultSet_Result, a menos que de lo contrario se asignará en el paso 8.4.</li>
	<li>Utilizar los datos de las diferentes pestañas en las pruebas estadísticas deseadas o del modelo de construcción de software. Nota: El protocolo se puede pausarse en cualquier momento. Sin embargo, es más conveniente después de terminar todos los pasos necesarios para un icono determinado, por ejemplo, terminar de sección 7, que se encuentra bajo el icono de función.</li>
</ol>

<ol>
	<li>Lambin, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Radiomics:+extracting+more+information+from+medical+images+using+advanced+feature+analysis.">Radiomics: extracting more information from medical images using advanced feature analysis.</a> EJC. 48, 441-446 (2012).</li><li>Zhang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=IBEX:+an+open+infrastructure+software+platform+to+facilitate+collaborative+work+in+radiomics.">IBEX: an open infrastructure software platform to facilitate collaborative work in radiomics.</a> Med Phys. 42, 1341-1353 (2015).</li><li>Haralick, R. M., Shanmugam, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Textural+features+for+image+classification.">Textural features for image classification.</a> IEEE Trans Syst Man Cybern. , 610-621 (1973).</li><li>Galloway, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Texture+analysis+using+gray+level+run+lengths.">Texture analysis using gray level run lengths.</a> Comp Graphics and Im Proc. 4, 172-179 (1975).</li><li>Tang, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Texture+information+in+run-length+matrices.">Texture information in run-length matrices.</a> IEEE Trans on Im Proc. 7, 1602-1609 (1998).</li><li>Amadasun, M., King, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Textural+features+corresponding+to+textural+properties.">Textural features corresponding to textural properties.</a> IEEE Trans Syst Man Cybern. 19, 1264-1274 (1989).</li><li>Fave, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Preliminary+investigation+into+sources+of+uncertainty+in+quantitative+imaging+features.">Preliminary investigation into sources of uncertainty in quantitative imaging features.</a> Comp Med Imaging Graph. 44, 54-61 (2015).</li><li>Fave, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Can+radiomics+features+be+reproducibly+measured+from+CBCT+images+for+patients+with+non-small+cell+lung+cancer.">Can radiomics features be reproducibly measured from CBCT images for patients with non-small cell lung cancer.</a> Med Phys. 42, 6784-6797 (2015).</li><li>Fave, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Impact+of+image+preprocessing+on+the+volume+dependence+and+prognostic+potential+of+radiomics+features+in+non-small+cell+lung+cancer.">Impact of image preprocessing on the volume dependence and prognostic potential of radiomics features in non-small cell lung cancer.</a> Trans Cancer Res. 5, 349-363 (2016).</li><li>Fave, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Delta-radiomics+features+for+the+prediction+of+patient+outcomes+in+non-small+cell+lung+cancer.">Delta-radiomics features for the prediction of patient outcomes in non-small cell lung cancer.</a> Scientific Reports. 7, 588 (2017).</li><li>Fried, D. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Stage+III+Non-Small+Cell+Lung+Cancer:+Prognostic+Value+of+FDG+PET+Quantitative+Imaging+Features+Combined+with+Clinical+Prognostic+Factors.">Stage III Non-Small Cell Lung Cancer: Prognostic Value of FDG PET Quantitative Imaging Features Combined with Clinical Prognostic Factors.</a> Radiology. 278, 214-222 (2016).</li><li>Fried, D. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> IJROBP. 94, 368-376 (2016).</li><li>Mackin, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Measuring+Computed+Tomography+Scanner+Variability+of+Radiomics+Features.">Measuring Computed Tomography Scanner Variability of Radiomics Features.</a> Invest radiol. 50, 757-765 (2015).</li><li>Yang, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Uncertainty+analysis+of+quantitative+imaging+features+extracted+from+contrast-enhanced+CT+in+lung+tumors.">Uncertainty analysis of quantitative imaging features extracted from contrast-enhanced CT in lung tumors.</a> Comp Med Imaging Graph. 48, 1-8 (2016).</li><li>van Rossum, P. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> JNM. 57, 691-700 (2016).</li><li>Hunter, L. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=NSCLC+tumor+shrinkage+prediction+using+quantitative+image+features.">NSCLC tumor shrinkage prediction using quantitative image features.</a> Comp Med Imaging Graph. 49, 29-36 (2016).</li><li>Hunter, L. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High+quality+machine-robust+image+features:+identification+in+nonsmall+cell+lung+cancer+computed+tomography+images.">High quality machine-robust image features: identification in nonsmall cell lung cancer computed tomography images.</a> Med Phys. 40, 121916 (2013).</li><li>Fried, D. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Prognostic+value+and+reproducibility+of+pretreatment+CT+texture+features+in+stage+III+non-small+cell+lung+cancer.">Prognostic value and reproducibility of pretreatment CT texture features in stage III non-small cell lung cancer.</a> IJROBP. 90, 834-842 (2014).</li><li>Gan, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MO-DE-207B-09:+A+Consistent+Test+for+Radiomics+Softwares.">MO-DE-207B-09: A Consistent Test for Radiomics Softwares.</a> Med Phys. 43, 3706-3706 (2016).</li><li>Klawikowski, S., Christian, J., Schott, D., Zhang, M., Li, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=SU-D-207B-07:+Development+of+a+CT-Radiomics+Based+Early+Response+Prediction+Model+During+Delivery+of+Chemoradiation+Therapy+for+Pancreatic+Cancer.">SU-D-207B-07: Development of a CT-Radiomics Based Early Response Prediction Model During Delivery of Chemoradiation Therapy for Pancreatic Cancer.</a> Med Phys. 43, 3350-3350 (2016).</li><li>Huang, W., Tu, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=SU-F-R-22:+Malignancy+Classification+for+Small+Pulmonary+Nodules+with+Radiomics+and+Logistic+Regression.">SU-F-R-22: Malignancy Classification for Small Pulmonary Nodules with Radiomics and Logistic Regression.</a> Med Phys. 43, 3377-3378 (2016).</li><li>Hanania, A. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+imaging+to+evaluate+malignant+potential+of+IPMNs.">Quantitative imaging to evaluate malignant potential of IPMNs.</a> Oncotarget. 7, 85776-85784 (2016).</li><li>Court, L. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Computational+resources+for+radiomics.">Computational resources for radiomics.</a> Trans Cancer Res. 5, 340-348 (2016).</li><li>. Matlab Add path Available from: <a target="_blank" href="https://www.mathworks.com/help/matlab/ref/addpath.html">https://www.mathworks.com/help/matlab/ref/addpath.html</a> (2017)</li><li>Zhao, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reproducibility+of+radiomics+for+deciphering+tumor+phenotype+with+imaging.">Reproducibility of radiomics for deciphering tumor phenotype with imaging.</a> Sci Rep. 6, 23428 (2016).</li><li>Owens, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reproducibility+and+Robustness+of+Radiomic+Features+Extracted+with+Semi-Automatic+Segmentation+Tools.">Reproducibility and Robustness of Radiomic Features Extracted with Semi-Automatic Segmentation Tools.</a> Med Phys. , (2017).</li><li>Kassner, A., Liu, F., Thornhill, R. E., Tomlinson, G., Mikulis, D. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Prediction+of+hemorrhagic+transformation+in+acute+ischemic+stroke+using+texture+analysis+of+postcontrast+T1-weighted+MR+images.">Prediction of hemorrhagic transformation in acute ischemic stroke using texture analysis of postcontrast T1-weighted MR images.</a> JMRI. 30, 933-941 (2009).</li><li>. IBEX Google Forum Available from: <a target="_blank" href="https://groups.google.com/forum/#!forum/ibex_users">https://groups.google.com/forum/#!forum/ibex_users</a> (2017)</li></ol>

Los autores tienen intereses financieros que compiten a revelar.

IBEX es una poderosa herramienta para la investigación de radiomics proyección de imagen médica. Se ha hasta ahora sobre todo utilizado para los propósitos de Oncología de radiación en estudios realizados por el grupo de radiomics de MD Anderson. IBEX permite manipulación de ROIs y cálculo de las características en 5 categorías de la característica principal. La versión de código fuente de IBEX le permite a las aplicaciones de diseño que ya no forman parte del IBEX, tales como características de la matriz ...

En medicina, diagnóstico de la enfermedad paciente normalmente incorpora un gran número de exámenes de diagnóstico como rayos x, ultrasonido, tomografía computada (CT), resonancia magnética (MRI), y exploraciones de tomografía por emisión de positrones (PET) para ayudar a determinar la curso de atención al paciente. Mientras que los médicos usan estas imágenes para evaluar cualitativamente el diagnóstico del paciente, puede haber características cuantitativas adicionales que se pueden extraer para guiar la atención del paciente. La razón es que estas características pueden representar proteómica y genómicos patrones expresados en la escala macroscópica1. Combinando esta información cuantitativa con la información clínica actual, por ejemplo, Demografía del paciente, puede permitir más individualizada atención al paciente. Esta es la teoría detrás de radiomics: disponen de análisis de imágenes a nivel de voxel. Las características típicamente se dividen en 5 categorías principales: gris matriz de co-ocurrencia nivel, gris longitud de ejecución nivel matriz, matriz de diferencia de intensidad de barrio, histograma y forma.
Imaging Biomarker Explorer (IBEX) es una herramienta de código abierto para radiomics de trabajo2. La interfaz gráfica de usuario (GUI) se desarrolló en el MD Anderson Cancer Center con el objetivo de facilitar la extracción y el cálculo de cuantitativos características para ayudar en la toma de decisiones en el tratamiento del cáncer. Una fuente código3 y una versión stand-alone4 están disponibles en línea. IBEX calcula las 5 categorías más comunes de características usadas en radiomics médica con los parámetros que se pueden establecer para cada categoría de característica. Las categorías son: gris de la matriz de co-ocurrencia nivel5gris longitud de ejecución nivel matriz6,7, intensidad, barrio intensidad diferencia matriz8y forma. Ya que el IBEX es de código abierto, permite resultados de extracción de característica armonizada a través de las instituciones para comparar fácilmente diferentes radiomics estudios. Todas las funciones dentro de IBEX son descritas en el documento inicial por Zhang et al. 2
El propósito de este manuscrito es proporcionar orientación sobre cómo utilizar IBEX y demostrar sus aplicaciones a través de estudios publicados revisados por pares del grupo de radiomics de MD Anderson. Desde su lanzamiento al público en el año 2015, IBEX se ha utilizado para calcular características de CT, PET y MRI exploración de imágenes por el grupo de radiomics de MD Anderson, normalmente investiga características para mejorar la supervivencia clínica modelos9,10, 11,12,13,14,15,16,17,18,19,20 y por fuera las instituciones21,22,23,24. Orientación adicional sobre herramientas de software que puede ser utilizado para los pasos en la investigación de radiomics que no están incluidos en el IBEX puede encontrarse en corte et al. 25
Una introducción general al flujo de trabajo de IBEX le ayudará a organizar los datos correctamente antes de iniciar proyectos de radiomics utilizando el IBEX. Si importar imágenes DICOM, IBEX requiere que cada paciente tiene su propia carpeta con sus imágenes DICOM. Conjunto de estructura de radiación DICOM es opcional incluir en la carpeta de paciente, pero se recomienda en lugar de utilizar la plataforma contorneada en IBEX. Para ayudar con la importación de todos los pacientes para un estudio específico, todas las carpetas de pacientes pueden juntarse en una misma carpeta para que todos los datos pueden importarse en IBEX utilizando tan sólo un paso. Si importar a pacientes de Pinnacle, es mejor que la estructura con el plan de paciente. Como los pacientes pueden tener múltiples conjuntos de imagen y planes dentro de Pinnacle, es mejor saber que imagen set y plan están correctos antes de importar. Si el tiempo de cómputo es una preocupación, reduciendo el número de divisiones de imagen para un paciente puede reducir drásticamente tiempo. Por ejemplo, si sólo el hígado es de interés en un estudio pero los pacientes tienen exploraciones de CT de cuerpo completo, reduciendo las rebanadas DICOM en sólo la medida del área de interés pueden acortar el tiempo de cómputo (p. ej., reduciendo el DICOM de rebanadas de 300 a 50 rebanadas puede tomar 1/6t h el tiempo). Existen diferentes herramientas disponibles para llevar a cabo esta reducción de la rebanada, de manual a semiautomático.

<table><tbody><tr><td>Excel</td><td>Microsoft Office</td><td></td><td>Any version of excel should work.</td></tr><tr><td>Matlab</td><td>MathWorks</td><td></td><td>Only use IBEX on 32 bit Matlab 2011a or 64 bit Matlab 2014b.</td></tr></tbody></table>

guidelines and experience using imaging biomarker explorer (ibex) for radiomics

Imaging Biomarker Explorer (IBEX) es una herramienta de código abierto para trabajo de radiomics proyección de imagen médica. El objetivo de este trabajo es describir cómo utilizar la interfaz de usuario gráfica del IBEX (GUI) y para demostrar cómo el IBEX calcula características se han utilizado en estudios clínicos. IBEX permite la importación de imágenes DICOM con Pinnacle archivos o archivos de estructura de la terapia de radiación de DICOM. Una vez que las imágenes son importadas, IBEX tiene herramientas dentro de la interfaz de selección de datos para manipular la visualización de las imágenes, valores de voxel medida y distancias y crear y editar contornos. IBEX viene con 27 opciones de función de preprocesamiento y 132 diseñar conjuntos de características. Cada categoría de preprocesamiento y función tiene parámetros que pueden modificarse. La salida de IBEX es una hoja de cálculo que contiene: 1) cada característica del conjunto calculado para cada contorno en un conjunto de datos, 2) información sobre cada contorno en un conjunto de datos y 3) un resumen del proceso previo de características y funciones con sus seleccionados parámetros. Características calculadas del IBEX se han utilizado en estudios para probar la variabilidad de características bajo diferentes condiciones de proyección de imagen y modelos de supervivencia para mejorar modelos clínicos actuales.

La salida de IBEX es una hoja de cálculo (ver figura 4) que contiene 3 pestañas. La pestaña "Resultados" contiene los valores de característica para cada retorno de la inversión del conjunto de datos (figura 4A). La ficha "Datos Info." contiene información sobre las imágenes de cada retorno de la inversión del conjunto de datos (figura 4B). La "Función Info....

Watch this Scientific Journal Video about Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics at JoVE.com

Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics

Describimos a IBEX, una herramienta de código abierto diseñada para que estudios de radiomics proyección de imagen médica y cómo utilizar esta herramienta. Además, se exhiben algunos trabajos publicados que han utilizado el IBEX para el análisis de incertidumbre y construcción del modelo.

Directrices y experiencia en el uso de biomarcadores Explorer (IBEX) la proyección de imagen de Radiomics

Imaging Biomarker Explorer (IBEX) is an open-source tool for medical imaging radiomics work. The purpose of this paper is to describe how to use IBEX's ...

guidelines-experience-using-imaging-biomarker-explorer-ibex-for

Research

JoVE Journal

Engineering

Guidelines and Experience Using Imaging Biomarker Explorer (IBEX) for Radiomics

13.1K vistas.  The University of Texas MD Anderson Cancer Center. Describimos a IBEX, una herramienta de código abierto diseñada para que estudios de radiomics proyección de imagen médica y cómo utilizar esta herramienta. Además, se exhiben algunos trabajos publicados que han utilizado el IBEX para el análisis de incertidumbre y construcción del modelo.

Video: Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics

Registered Bioimaging of Nanomaterials for Diagnostic and Therapeutic Monitoring 

Nanomedications can be carried by blood borne monocyte-macrophages into the reticuloendothelial system (RES; spleen, liver, lymph nodes) and to end organs. The latter include the lung, RES, and brain and are operative during human immunodeficiency virus type one (HIV-1) infection. Macrophage entry into tissues is notable in areas of active HIV-1 replication and sites of inflammation. In order to assess the potential of macrophages as nanocarriers, superparamagnetic iron-oxide and/or drug laden particles coated with surfactants were parenterally injected into HIV-1 encephalitic mice. This was done to quantitatively assess particle and drug biodistribution. Magnetic resonance imaging (MRI) test results were validated by histological coregistration and enhanced image processing. End organ disease as typified by altered brain histology were assessed by MRI. The demonstration of robust migration of nanoformulations into areas of focal encephalitis provides '"proof of concept" for the use of advanced bioimaging techniques to monitor macrophage migration. Importantly, histopathological aberrations in brain correlate with bioimaging parameters making the general utility of MRI in studies of cell distribution in disease feasible. We posit that using such methods can provide a real time index of disease burden and therapeutic efficacy with translational potential to humans.

Registered Bioimaging of Nanomaterials for Diagnostic and Therapeutic Monitoring

Bioimaging methods used to assess cell biodistribution of nanoparticles are applicable for therapeutic and diagnostic monitoring of nanoformulated compounds. The methods described herein are sensitive and specific when assessed by histological coregistration. The methodologies provide a translational pathway from rodent to human applications.

Bioimagen registradas de Nanomateriales para el Monitoreo de Diagnóstico y Terapéutica

Nanomedications can be carried by blood borne monocyte-macrophages into the reticuloendothelial system (RES; spleen, liver, lymph nodes) and to end ...

Investigación

Bioingeniería

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Biomarker detection is one of the more important biomedical questions for high-throughput &#39;omics&#39; researchers, and almost all existing biomarker detection algorithms generate one biomarker subset with the optimized performance measurement for a given dataset. However, a recent study demonstrated the existence of multiple biomarker subsets with similarly effective or even identical classification performances. This protocol presents a simple and straightforward methodology for detecting biomarker subsets with binary classification performances, better than a user-defined cutoff. The protocol consists of data preparation and loading, baseline information summarization, parameter tuning, biomarker screening, result visualization and interpretation, biomarker gene annotations, and result and visualization exportation at publication quality. The proposed biomarker screening strategy is intuitive and demonstrates a general rule for developing biomarker detection algorithms. A user-friendly graphical user interface (GUI) was developed using the programming language Python, allowing biomedical researchers to have direct access to their results. The source code and manual of kSolutionVis can be downloaded from http://www.healthinformaticslab.org/supp/resources.php.

Existing algorithms generate one solution for a biomarker detection dataset. This protocol demonstrates the existence of multiple similarly effective solutions and presents a user-friendly software to help biomedical researchers investigate their datasets for the proposed challenge. Computer scientists may also provide this feature in their biomarker detection algorithms.

Selección de varios subconjuntos de biomarcadores con semejantemente eficaz clasificación binaria actuaciones

Biomarker detection is one of the more important biomedical questions for high-throughput &#39;omics&#39; researchers, and almost all existing biomarker ...

Investigación sobre el cáncer

Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases

In recent years, emerging databases were designed to lower the barriers for approaching the intricate cancer genomic datasets, thereby, facilitating investigators to analyze and interpret genes, samples and clinical data across different types of cancer. Herein, we describe a practical operation procedure, taking ID1 (Inhibitor of DNA binding proteins 1) as an example, to characterize the expression patterns of biomarker and survival predictors of breast cancer based on pooled clinical datasets derived from online accessible databases, including ONCOMINE, bcGenExMiner v4.0 (Breast cancer gene-expression miner v4.0), GOBO (Gene expression-based Outcome for Breast cancer Online), HPA (The human protein atlas), and Kaplan-Meier plotter. The analysis began with querying the expression pattern of the gene of interest (e.g., ID1) in cancerous samples vs. normal samples. Then, the correlation analysis between ID1 and clinicopathological characteristics in breast cancer was performed. Next, the expression profiles of ID1 was stratified according to different subgroups. Finally, the association between ID1 expression and survival outcome was analyzed. The operation procedure simplifies the concept to integrate multidimensional data types at the gene level from different databases and test hypotheses regarding recurrence and genomic context of gene alteration events in breast cancer. This method can improve the credibility and representativeness of the conclusions, thereby, present informative perspective on a gene of interest.

Here, we present a protocol to explore the biomarker and survival predictor of breast cancer based on the comprehensive analysis of pooled clinical datasets derived from a variety of publicly accessible databases, using the strategy of expression, correlation and survival analysis step by step.

Realizar la minería de datos y análisis integrativos de biomarcadores en el cáncer de mama utilizando múltiples bases de datos accesibles públicamente

In recent years, emerging databases were designed to lower the barriers for approaching the intricate cancer genomic datasets, thereby, facilitating ...

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Machine learning (ML) algorithms permit the integration of different features into a model to perform classification or regression tasks with an accuracy exceeding its constituents. This protocol describes the development of an ML algorithm to predict the growth of breast cancer bone macrometastases in a rat model before any abnormalities are observable with standard imaging methods. Such an algorithm can facilitate the detection of early metastatic disease (i.e., micrometastasis) that is regularly missed during staging examinations.
The applied metastasis model is site-specific, meaning that the rats develop metastases exclusively in their right hind leg. The model&#8217;s tumor-take rate is 60%&#8211;80%, with macrometastases becoming visible in magnetic resonance imaging (MRI) and positron emission tomography/computed tomography (PET/CT) in a subset of animals 30 days after induction, whereas a second subset of animals exhibit no tumor growth.
Starting from image examinations acquired at an earlier time point, this protocol describes the extraction of features that indicate tissue vascularization detected by MRI, glucose metabolism by PET/CT, and the subsequent determination of the most relevant features for the prediction of macrometastatic disease. These features are then fed into a model-averaged neural network (avNNet) to classify the animals into one of two groups: one that will develop metastases and the other that will not develop any tumors. The protocol also describes the calculation of standard diagnostic parameters, such as overall accuracy, sensitivity, specificity, negative/positive predictive values, likelihood ratios, and the development of a receiver operating characteristic. An advantage of the proposed protocol is its flexibility, as it can be easily adapted to train a plethora of different ML algorithms with adjustable combinations of an unlimited number of features. Moreover, it can be used to analyze different problems in oncology, infection, and inflammation.

This protocol was designed to train a machine learning algorithm to use a combination of imaging parameters derived from magnetic resonance imaging (MRI) and positron emission tomography/computed tomography (PET/CT) in a rat model of breast cancer bone metastases to detect early metastatic disease and predict subsequent progression to macrometastases.

Algoritmos de aprendizaje automático para la detección temprana de metástasis óseas en un modelo experimental de rata

Machine learning (ML) algorithms permit the integration of different features into a model to perform classification or regression tasks with an accuracy ...

Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly

Obtaining in vivo human brain tissue volumetrics from MRI is often complicated by various technical and biological issues. These challenges are exacerbated when significant brain atrophy and age-related white matter changes (e.g. Leukoaraiosis) are present. Lesion Explorer (LE) is an accurate and reliable neuroimaging pipeline specifically developed to address such issues commonly observed on MRI of Alzheimer's disease and normal elderly. The pipeline is a complex set of semi-automatic procedures which has been previously validated in a series of internal and external reliability tests1,2. However, LE's accuracy and reliability is highly dependent on properly trained manual operators to execute commands, identify distinct anatomical landmarks, and manually edit/verify various computer-generated segmentation outputs.
LE can be divided into 3 main components, each requiring a set of commands and manual operations: 1) Brain-Sizer, 2) SABRE, and 3) Lesion-Seg. Brain-Sizer's manual operations involve editing of the automatic skull-stripped total intracranial vault (TIV) extraction mask, designation of ventricular cerebrospinal fluid (vCSF), and removal of subtentorial structures. The SABRE component requires checking of image alignment along the anterior and posterior commissure (ACPC) plane, and identification of several anatomical landmarks required for regional parcellation. Finally, the Lesion-Seg component involves manual checking of the automatic lesion segmentation of subcortical hyperintensities (SH) for false positive errors.
While on-site training of the LE pipeline is preferable, readily available visual teaching tools with interactive training images are a viable alternative. Developed to ensure a high degree of accuracy and reliability, the following is a step-by-step, video-guided, standardized protocol for LE's manual procedures.

Lesion Explorer (LE) is a semi-automatic, image-processing pipeline developed to obtain regional brain tissue and subcortical hyperintensity lesion volumetrics from structural MRI of Alzheimer's disease and normal elderly. To ensure a high level of accuracy and reliability, the following is a video-guided, standardized protocol for LE's manual procedures.

Lesión Explorer: Un video-guiada, Protocolo normalizado para precisa y fiable volumétrica derivados de la RM en la Enfermedad de Alzheimer y normal Ancianos

Obtaining in vivo human brain tissue volumetrics from MRI is often complicated by various technical and biological issues. These challenges are ...

Medicina

A Robust Discovery Platform for the Identification of Novel Mediators of Melanoma Metastasis

Metastasis is a complex process, requiring cells to overcome barriers that are only incompletely modeled by in vitro assays. A systematic workflow was established using robust, reproducible in vivo models and standardized methods to identify novel players in melanoma metastasis. This approach allows for data inference at specific experimental stages to precisely characterize a gene's role in metastasis. Models are established by introducing genetically modified melanoma cells via intracardiac, intradermal, or subcutaneous injections into mice, followed by monitoring with serial in vivo imaging. Once preestablished endpoints are reached, primary tumors and/or metastases-bearing organs are harvested and processed for various analyses. Tumor cells can be sorted and subjected to any of several 'omics' platforms, including single-cell RNA sequencing. Organs undergo imaging and immunohistopathological analyses to quantify the overall burden of metastases and map their specific anatomic location. This optimized pipeline, including standardized protocols for engraftment, monitoring, tissue harvesting, processing, and analysis, can be adopted for patient-derived, short-term cultures and established human and murine cell lines of various solid cancer types.

This article describes a workflow of techniques employed for testing novel candidate mediators of melanoma metastasis and their mechanism(s) of action.

Una plataforma de descubrimiento robusta para la identificación de nuevos mediadores de la metástasis del melanoma

Metastasis is a complex process, requiring cells to overcome barriers that are only incompletely modeled by in vitro assays. A systematic workflow was ...

Digital Spatial Profiling for Characterization of the Microenvironment in Adult-Type Diffusely Infiltrating Glioma

Diffusely infiltrating gliomas are associated with high morbidity and mortality due to the infiltrative nature of tumor spread. They are morphologically complex tumors, with a high degree of proteomic variability across both the tumor itself and its heterogenous microenvironment. The malignant potential of these tumors is enhanced by the dysregulation of proteins involved in several key pathways, including processes that maintain cellular stability and preserve the structural integrity of the microenvironment. Although there have been numerous bulk and single-cell glioma analyses, there is a relative paucity of spatial stratification of these proteomic data. Understanding differences in spatial distribution of tumorigenic factors and immune cell populations between the intrinsic tumor, invasive edge, and microenvironment offers valuable insight into the mechanisms underlying tumor proliferation and propagation. Digital spatial profiling (DSP) represents a powerful technology that can form the foundation for these important multilayer analyses.
DSP is a method that efficiently quantifies protein expression within user-specified spatial regions in a tissue specimen. DSP is ideal for studying the differential expression of multiple proteins within and across regions of distinction, enabling multiple levels of quantitative and qualitative analysis. The DSP protocol is systematic and user-friendly, allowing for customized spatial analysis of proteomic data. In this experiment, tissue microarrays are constructed from archived glioblastoma core biopsies. Next, a panel of antibodies is selected, targeting proteins of interest within the sample. The antibodies, which are preconjugated to UV-photocleavable DNA oligonucleotides, are then incubated with the tissue sample overnight. Under fluorescence microscopy visualization of the antibodies, regions of interest (ROIs) within which to quantify protein expression are defined with the samples. UV light is then directed at each ROI, cleaving the DNA oligonucleotides. The oligonucleotides are microaspirated and counted within each ROI, quantifying the corresponding protein on a spatial basis.

Proteomic dysregulation plays an important role in the spread of diffusely infiltrating gliomas, but several relevant proteins remain unidentified. Digital spatial processing (DSP) offers an efficient, high-throughput approach for characterizing the differential expression of candidate proteins that may contribute to the invasion and migration of infiltrative gliomas.

Perfil espacial digital para la caracterización del microambiente en glioma infiltrante difuso de tipo adulto

Diffusely infiltrating gliomas are associated with high morbidity and mortality due to the infiltrative nature of tumor spread. They are morphologically ...

<meta charset="utf8"></head><body>Respuesta a la radiación en organoides tumorales derivados de pacientes mediante un ensayo clonogénico

Live Imaging to Quantify Cellular Radiosensitivity in Patient-Derived Tumor Organoids

Radiation therapy (RT) is one of the mainstays of modern clinical cancer management. However, not all cancer types are equally sensitive to irradiation, often (but not always) because of differences in the ability of malignant cells to repair oxidative DNA damage as elicited by ionizing rays. Clonogenic assays have been employed for decades to assess the sensitivity of cultured cancer cells to ionizing irradiation, largely because irradiated cancer cells often die in a delayed manner that is difficult to quantify with short-term flow cytometry- or microscopy-assisted techniques. Unfortunately, clonogenic assays cannot be employed as such for more complex tumor models, such as patient-derived tumor organoids (PDTOs). Indeed, irradiating established PDTOs may not necessarily abrogate their growth as multicellular units, unless their stem-like compartment is completely eradicated. Moreover, irradiating PDTO-derived single-cell suspensions may not properly recapitulate the sensitivity of malignant cells to RT in the context of established PDTOs. Here, we detail an adaptation of conventional clonogenic assays that involves exposure of established PDTOs to ionizing radiation, followed by single-cell dissociation, replating in suitable culture conditions and live imaging. Non-irradiated (control) PDTO-derived stem-like cells reform growing PDTOs with a PDTO-specific efficiency, which is negatively influenced by irradiation in a dose-dependent manner. In these conditions, PDTO-forming efficiency and growth rate can be quantified as a measure of radiosensitivity on time-lapse images collected until control PDTOs achieve a predefined space occupancy.

<meta charset="utf8"></head><body>Autor destacado: Radioterapia y ensayos clonogénicos para avanzar en la investigación del cáncer y la medicina personalizada

Here, we detail a straightforward live imaging approach for quantifying the sensitivity of patient-derived tumor organoids to ionizing radiation.

Imágenes en vivo para cuantificar la radiosensibilidad celular en organoides tumorales derivados de pacientes

Radiation therapy (RT) is one of the mainstays of modern clinical cancer management. However, not all cancer types are equally sensitive to irradiation, ...

Directrices y experiencia en el uso de biomarcadores Explorer (IBEX) la proyección de imagen de Radiomics

Resumen

Explorar más videos

PLAYLIST