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 è finanziato dal Rosalie B. Hite Istituto europeo di oncologia e American Legion ausiliario Fellowship. Carlos Cardenas è stato finanziato dalla compagnia George M. Stancel PhD nelle scienze biomediche. Lo sviluppo dello stambecco è stato finanziato il NCI (R03 CA178495).

1. installare IBEX
Nota: Per installare una versione di codice sorgente andare al punto 1.1. In alternativa, per installare una versione stand-alone andare al punto 1.2.
<ol><li>
Versione del codice sorgente
	<ol>
<li>Andare all'IBEX codice sorgente versione sito Web3. Scaricare i file "IBEX_Source.zip" e "How_to_use.pdf". Esaminare il file "How_to_use.pdf" per trovare i pre-requisiti per utilizzare l'ultima versione di stambecco. Nota: IBEX funziona solo su versioni a 32 bit e 64 bit Matlab 2011a e 2014b, rispettivamente.</li>
		<li>Una volta completato il download, decomprimere il "IBEX_Source.zip" e aggiungere la cartella di \IBEX_Source per il percorso locale. Nota: Le istruzioni su come aggiungere un percorso possono essere trovate nella pagina riferimenti software per "Aggiungi percorso"26.</li>
		<li>Digitare "IBEXMain" nella finestra di comando per avviare IBEX.</li>
	</ol>
</li>
	<li>
Versione stand-alone
	<ol>
<li>Andare al IBEX versione stand-alone sito4. Se l'installazione di IBEX per la prima volta, andare alla cartella "Dipendenze" e scaricare/installare il "MCRInstaller.exe", vc2005redist_x86_new.exe, "e"vc2012redist_x86.exe"file. Dalla pagina principale, Scarica il "IBEX.exe," "IBEX.ctf," "IBEX.ini," e "How_to_use.pdf" file nella stessa cartella. Esaminare il file "How_to_use.pdf" per i pre-requisiti utilizzare l'ultima versione di stambecco.</li>
		<li>Fare doppio clic su "IBEX.exe" per avviare IBEX.</li>
	</ol>
</li>
</ol>2. impostare la posizione
Nota: Le immagini vengono importate in questa località impostata e i dati per questo studio sono memorizzati qui pure. IBEX usi più precedentemente applicati posizione come posizione predefinita quando ha rilanciato.
<ol><li>Fare clic sull'icona "Posizione" (Figura 1).</li>
	<li>Utente di selezionare o fare doppio clic su "Nuovo utente" per creare una nuova cartella utente. Se creare una nuova cartella utente, immettere il nome nella nuova finestra fare clic sul pulsante "OK".</li>
	<li>Selezionare il sito entro l'utente selezionato o fare doppio clic su "Nuovo sito" per creare una nuova cartella di sito. Se creare una nuova cartella utente, immettere il nome nella nuova finestra fare clic sul pulsante "OK".</li>
	<li>Fare clic sul pulsante "OK" nella parte inferiore.</li>
</ol>3. importare immagini
<ol><li>Fare clic sull'icona di "Importazione" (Figura 1).</li>
	<li>Selezionare DICOM o Pinnacle9 (versione file di Pinnacle 9) formato facendo clic sul nome del formato. Per importare DICOM immagini andare al punto 3.3.1. Per importare Pinnacle9 file andare al punto 3.3.2.</li>
	<li>Fare clic sul pulsante "Avanti".<ol>
<li>Importare immagini DICOM Nota: Per importare pazienti andare individualmente al punto 3.3.1.1. Per importare più pazienti contemporaneamente andare al punto 3.3.1.2.<ol>
<li>Importare ogni paziente individualmente selezionando la cartella paziente tramite la directory.<ol>
<li>Fare clic sul pulsante "..." accanto la directory elencata per selezionare la cartella paziente contenente le immagini DICOM e struttura di radiazione set file DICOM (opzionale). Nota: Mentre è solo opzionale importare una struttura con le cartelle dei pazienti, si consiglia di farlo. IBEX hanno una contorno del piattaforma all'interno di esso, ma questo è un po ' poco pratico per i DataSet di grandi dimensioni. IBEX può ospitare gruppi di struttura di piattaforme di software commerciale che ha familiarità utensili sagomati per gli oncologi di radiazione, che rende il flusso di lavoro molto più facile. Questo è in genere come IBEX è utilizzato negli studi.</li>
				<li>Fare clic sul pulsante "Importa" in basso a sinistra una volta IBEX ha terminato la ricerca i file DICOM, il paziente e scatole di dettagli verranno popolati.</li>
				<li>Ripetere i passaggi 3.3.1.1.1 - 2 per ogni paziente.</li>
				<li>Dopo che tutti i pazienti vengono importati, fare clic sul pulsante "Esci".</li>
			</ol>
</li>
			<li>Importare tutti i pazienti contemporaneamente selezionando la casella 'Cartella Batch' in alto a destra. Nota: Tutti i pazienti devono avere una cartella separata che contiene i rispettivi file DICOM.<ol>
<li>Fare clic sul pulsante "..." accanto la directory elencata per selezionare la cartella che contiene tutte le cartelle in paziente con le loro corrispondenti immagini DICOM e struttura di radiazione set file DICOM (opzionale).</li>
				<li>Fare clic sul pulsante "Importa". I pazienti verranno importati in sequenza. Dopo che tutti i pazienti vengono importati, fare clic sul pulsante "Esci".</li>
			</ol>
</li>
		</ol>
</li>
		<li>File di Pinnacle<ol>
<li>Configurare l'Host di Pinnacle e Database all'interno del file "\IBEX\ImportExport\ImportModule\Pinnacle9\Pinnacle9ImportMain.INI". Prima di selezionare Pinnacle nella casella del modulo di importazione, fare clic sul pulsante "Config".</li>
			<li>Selezionare il corretto Pinnacle Host e Database.</li>
			<li>Immettere il paziente MRN, il cognome o il nome, quindi fare clic su altrove nella finestra.</li>
			<li>Fare clic sul pulsante "Query".</li>
			<li>Selezionare il paziente nella nuova finestra, quindi fare clic sul pulsante "Trasferimento".</li>
			<li>Fare clic sulla casella dei set da quel paziente nella finestra nuova immagine desiderata e fare clic sul pulsante "OK".</li>
			<li>Fare clic sul pulsante "OK" nella nuova finestra con l'etichetta "Dati importati correttamente."</li>
			<li>Dopo che tutti i pazienti vengono importati, fare clic sul pulsante "Esci".</li>
		</ol>
</li>
	</ol>
</li>
</ol>4. visualizzazione di immagini e regioni di interesse (ROI)
<ol><li>Fare clic sull'icona "Dati" (Figura 1). Fare clic sul file paziente desiderato per aprire nella sezione "Selezionare un paziente" della GUI (metà superiore).</li>
	<li>Fare clic sul set di immagine del file paziente desiderato per aprire nella sezione "Seleziona immagine. set" della GUI (metà inferiore). Fare clic sul pulsante "Aprire".</li>
	<li>Utilizzare le frecce sotto le immagini per scorrere le immagini, che sono indicati in assiale, coronale, e viste sagittali (da sinistra a destra).</li>
	<li>Ingrandire l'immagine facendo clic sul pulsante "Zoom" (Figura 2). Disegnare una casella sul piano dell'immagine per lo zoom. Fare clic con il tasto destro per rimpicciolire.</li>
	<li>Attivare i localizzatori selezionando il pulsante "Intersezione" (Figura 2). Nota: Le linee che appaiono mostrano dove si trova quella fetta in ogni piano. Queste linee si muovono quando usando le frecce di scorrimento.</li>
	<li>Fare clic sul pulsante "Righello" (Figura 2) per misurare le distanze. Fare clic e tenere premuto il pulsante sinistro del mouse per misurare tra i due punti di interesse. Rilasciare il mouse per rimuovere il valore misurato dall'area visualizzata.</li>
	<li>Fare clic sul pulsante "CT Num" (Figura 2) per misurare il valore di un voxel. Cliccare e tenere premuto il tasto sinistro del mouse su voxel di interesse e il valore verrà visualizzata sul lato sinistro della GUI sotto la scala di colore. Rilasciare il mouse per rimuovere il valore misurato dall'area visualizzata.</li>
	<li>Clicca sul pulsante "W/L" (Figura 2) a livello di finestra sulle immagini. Un'altra finestra pop-up. Trascinare i lati destro e sinistro per l'area desiderata oppure immettere manualmente il livello di finestra in caselle di finestra e livello nella parte inferiore della finestra di nuova. Selezionare la finestra livelli utilizzando il primo menu a discesa a sinistra ( Figura 2): ci sono 8 per CT e 1 per PET.</li>
	<li>Scale di colori differenti disponibili utilizzando il secondo menu drop down a sinistra (Figura 2): ci sono 9 opzioni tra cui scegliere.</li>
	<li>Visualizzare ROIs facendo clic sulla casella accanto il ROI per renderlo visibile sulle immagini, o fare clic sul pulsante "Su tutte le ROIs" per accendere tutti i paziente ROIs.</li>
</ol>5. modifica di ROI
<ol><li>Modificare ROIs facendo clic sul pulsante "Edit ROIs" in alto a sinistra o in basso al centro. Selezionare il contorno da modificare facendo clic sulla casella accanto al relativo nome.</li>
	<li>Utilizzare il pulsante di "Nudge contorni" (Figura 3) per spingere i contorni dentro o fuori come già disegnato. Regolare la dimensione del cerchio utilizzato nella casella denominata "D" accanto al pulsante Nudge contorni.</li>
	<li>Rimuovere una fetta intero contorno utilizzando il pulsante "Tagliare contorni" (Figura 3). Fare clic e tenere premuto il pulsante sinistro del mouse e disegnare una casella attorno il ROI per essere rimosso.</li>
	<li>Disegnare i contorni Nota: Andare al punto 5.4.1 disegnare contorni da punti di collegamento. Andare al punto 5.4.2 disegnare contorni a mano libera.<ol>
<li>Punti di collegamento: Utilizzare il pulsante "Draw contorni (1)" (Figura 3) per disegnare un contorno su ogni fetta facendo clic su punti intorno al contorno dove i punti sono collegati da linee rette. Completare il ROI per quella fetta facendo clic sul primo punto disegnato.</li>
		<li>Mano libera: Utilizzare il pulsante "Disegnare contorni (2)" (Figura 3) per disegnare un contorno a mano libera. Tenere premuto il pulsante sinistro del mouse per disegnare il contorno sulla fetta. Finire il contorno su quella fetta di tornare all'inizio del ROI disegnato e poi rilasciando il pulsante sinistro del mouse.</li>
	</ol>
</li>
	<li>Fare clic sul pulsante "Interpolare contorni" (Figura 3) per interpolare ROIs tra fette.</li>
	<li>Fare clic sul pulsante "ROI copia" per copiare il ROI.</li>
	<li>Unire ROIs selezionando più ROIs e facendo clic sul pulsante "Merge ROI".</li>
	<li>Fare clic sul pulsante "Elimina ROI" per eliminare il ROI attualmente selezionato.</li>
	<li>Fare clic su "Creare ROI" per creare un nuovo ROI che causerà una finestra pop-up. Immettere il nome del ROI e fare clic sul pulsante "OK". Fare clic sul pulsante "Salva". Fare clic sul pulsante "Exit" per tornare al visualizzatore di paziente.</li>
</ol>6. contorni nel Set di dati
<ol><li>Contorni della vista nel set di dati<ol>
<li>Fare clic sul pulsante "Visualizza Set di dati" per visualizzare i contorni nel set di dati. Clicca sul nome del set di dati per visualizzare. Fare clic sul pulsante "Aprire". Selezionare paziente contorni utilizzando la casella accanto al loro nome. Fare clic sul pulsante "Delete", "Move" o "Copia", a seconda della funzione desiderata per quel contorno. Chiudere la finestra set di dati una volta aver visualizzato il set di dati.</li>
	</ol>
</li>
	<li>Aggiungere contorni al set di dati<ol>
<li>Selezionare contorni da aggiungere a un set di dati facendo clic sulla casella accanto al loro nome, quindi fare clic sul pulsante "Aggiungi al Set di dati". Clicca sul nome del set di dati per aggiungere i contorni o fare clic sul pulsante "New" per un nuovo set di dati. Se New è selezionata, è possibile immettere il nome del set di dati nella nuova finestra. Fare clic sul pulsante "OK".</li>
	</ol>
</li>
	<li>Fare clic sul pulsante "Importa ROIs" per importare un file. ROI 9 versione di Pinnacle se contorni non sono stati caricati durante la sezione 3.<ol>
<li>Fare clic sul pulsante "..." per selezionare il file. Fare clic sul pulsante "Importa".</li>
	</ol>
</li>
	<li>Fare clic sul pulsante "Esporta ROIs" per esportare ROIs.<ol>
<li>Fare clic sul pulsante "..." per selezionare la directory in cui deve essere inserito ROIs esportato. Clicca sul nome del formato che è comodo per il ROIs esportato. Immettere le informazioni di trasformazione in forma anonima se è comodo. Fare clic sul pulsante Esporta. Nota: L'impostazione predefinita è per nessuna trasformazione in forma anonima essere eseguita.</li>
	</ol>
</li>
	<li>Fare clic sul pulsante "Exit" per tornare all'elenco dei pazienti e scansioni.</li>
</ol>7. creare il Set di funzionalità
<ol><li>Fare clic sull'icona "Caratteristica".</li>
	<li>Se necessario, aggiungete la pre-elaborazione.<ol>
<li>Fare clic sul pulsante "Aggiungi" sotto "Step1: pre-elaborazione". Selezionare l'opzione pre-elaborazione dal menu a discesa nella finestra nuova.</li>
		<li>Fare clic su "i" sotto "V." per selezionare i parametri pre-elaborazione. Fare clic sul numero nella colonna valore nella nuova finestra del parametro per modificarlo. Digitare il nuovo valore di parametro e fare clic sul pulsante "OK".</li>
		<li>Fare clic sul pulsante "question mark" in alto a destra per una descrizione del metodo di pre-elaborazione e la pre-elaborazione di parametri specifici.</li>
		<li>Fare clic sul pulsante "Aggiungi". Selezionare la fase di pre-elaborazione e fare clic sul pulsante "Elimina" per eliminare indesiderati passaggi di pre-elaborazione.</li>
	</ol>
</li>
	<li>Aggiungere le funzionalità desiderate.<ol>
<li>Selezionare la categoria di funzionalità dal menu a discesa sotto "passaggio 2: Categoria caratteristiche:". Ripetere i passaggi per più categorie. Nota: Solo una categoria di funzioni possa essere aggiunti alla volta. Diverse combinazioni di categorie di pre-elaborazione e funzionalità possono essere aggiunti alla stessa funzionalità impostare se lo si desidera.<ol>
<li>Selezionare il "GrayLevelCooccurenceMatrix25" e le categorie di funzionalità "NeighborIntensityDifference25" per calcolare il livello grigio co-avvenimento matrice e quartiere intensità differenza matrice, rispettivamente, in 2.5 D, che è fatto calcolando la matrice su ogni fetta singolarmente e poi sommando tutte le matrici insieme.</li>
			<li>Selezionare il "GrayLevelCooccurenceMatrix3" e le categorie di funzionalità "NeighborIntensityDifference3" per calcolare il livello grigio co-avvenimento matrice e quartiere intensità differenza matrice, rispettivamente, in 3D.</li>
		</ol>
</li>
		<li>Fare clic su "i" sotto "V." per i parametri selezionati per quella pre-elaborazione. Fare clic sul pulsante "question mark" in alto a destra per una descrizione dei parametri e il metodo di pre-elaborazione.<ol>
<li>Digitare il nuovo valore di parametro e fare clic sul pulsante "OK".</li>
		</ol>
</li>
		<li>Fare clic sul pulsante "Test" per visualizzare una categoria caratteristica o funzionalità specifica. Fare clic sul pulsante accanto alla funzione o alla categoria desiderata.<ol>
<li>Selezionare il set di dati per visualizzare il test su e clicca sul pulsante "Apri". Seleziona la casella accanto ai pazienti dal set di dati selezionato per visualizzare il test su e fare clic sul pulsante "Test".</li>
		</ol>
</li>
		<li>Deselezionare caratteristiche indesiderate per la categoria selezionata; tutte le funzionalità sono selezionate dopo aver selezionato la categoria. Fare clic sulla parola "caratteristiche:" sotto "Step2: Features" per deselezionare tutte le funzioni.</li>
		<li>Fare clic sul pulsante "Aggiungi al Set Feature" per aggiungere tutte le funzionalità selezionate con selezionati di pre-elaborazione.<ol>
<li>Selezionare il set di funzionalità per aggiungere funzionalità per e fare clic sul pulsante "Aprire" o fare clic sul pulsante "Nuovo" per aggiungere funzionalità a un nuovo set di funzionalità. Se creare un nuovo set di funzionalità, immettere il nome della funzionalità impostata nella nuova finestra e fare clic sul pulsante "OK".</li>
		</ol>
</li>
	</ol>
</li>
	<li>Fare clic sul pulsante "Visualizza funzionalità Set" per visualizzare le funzionalità con tecniche di pre-elaborazione corrispondente per visualizzare le funzioni in un set di funzionalità.<ol>
<li>Selezionare il set di funzionalità per visualizzare e fare clic sul pulsante "Aprire" o fare clic sul pulsante "Nuovo" per creare un nuovo set di funzionalità. Se creare un nuovo set di funzionalità, immettere il nome della funzionalità impostata nella nuova finestra e fare clic sul pulsante "OK".</li>
	</ol>
</li>
	<li>Fare clic sul pulsante "Visualizza Set di dati" per visualizzare i set di dati corrente.<ol>
<li>Selezionare il set di dati per visualizzare e fare clic sul pulsante "Aprire" o fare clic sul pulsante "New" per creare un nuovo set di dati. Se creare un nuovo set di dati, immettere il nome del set di dati nella nuova finestra e fare clic sul pulsante "OK".</li>
	</ol>
</li>
	<li>Fare clic sul pulsante "Exit".</li>
</ol>8. uscita caratteristiche
<ol><li>Fare clic sull'icona di "Risultato". Fare clic sul set di dati per eseguire le funzionalità sotto "passaggio 1: Set di dati." Fare clic sulla funzionalità impostata per essere eseguito sui dati selezionati sotto "passaggio 2: Set di funzionalità."</li>
	<li>Fare clic sul pulsante "Visualizza dati" per visualizzare il set di dati selezionato. Fare clic sul pulsante "Vista Feature" per visualizzare il set di funzionalità selezionata.</li>
	<li>Fare clic sul pulsante "Calcola e salva il risultato". Immettere il nome di file per i risultati e clicca sul pulsante "Salva".</li>
</ol>9. statistica Model Building
<ol><li>Aprire il file di risultati salvati. Nota: si tratta in genere sotto C:\IBEX\DataIbex\[Selected utente in Step 2.2] \ [sito selezionato nel passaggio 2.3] \1FeatureResultSet_Result, a meno che non altrimenti assegnato al punto 8.4.</li>
	<li>Utilizzare i dati da diverse schede nei test statistico desiderato o modello costruzione nel software. Nota: Il protocollo può essere messo in pausa in qualsiasi momento. Tuttavia, è più conveniente dopo aver terminato tutti i passaggi necessari per una particolare icona, ad esempio, tutti della sezione 7, che si trova sotto l'icona della funzionalità di finitura.</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>

Gli autori non hanno nessun concorrenti interessi finanziari di divulgare.

IBEX è un potente strumento per la ricerca di radiomics formazione immagine medica. Per lo più finora è stato utilizzato per scopi di oncologia di radiazione negli studi condotti dal gruppo di radiomics MD Anderson. IBEX permette per la manipolazione di ROIs e calcolo di funzioni all'interno di 5 categorie di caratteristica principale. La versione del codice sorgente di stambecco consente all'utente di progettare applicazioni che non fanno già parte di stambecco, ad esempio funzionalità di matrice di zona grigia di ...

In medicina, la diagnosi di malattia paziente in genere incorpora un gran numero di esami diagnostici come i raggi x, ecografia, tomografia computerizzata (TC), risonanza magnetica (MRI), e le scansioni di tomografia a emissione di positroni (PET) per aiutare nella determinazione del corso di cura del paziente. Mentre i medici usano queste immagini per valutare qualitativamente la diagnosi del paziente, ci possono essere ulteriori caratteristiche quantitativi che possono essere estratti per guidare la cura del paziente. La spiegazione razionale è che queste caratteristiche possono rappresentare proteomica e genomiche modelli espressi su scala macroscopica1. Combinando questa informazioni quantitative con informazioni cliniche correnti, ad esempio, i dati demografici, possono permettere più individualizzato di cura paziente. Questa è la teoria dietro radiomics: dispongono di analisi delle immagini a livello di voxel. Le caratteristiche in genere rientrano in 5 categorie principali: grigio matrice livello co-avvenimento, matrice di lunghezza di esecuzione livello grigio, quartiere intensità differenza matrice, istogramma e forma.
Imaging Biomarker Explorer (IBEX) è uno strumento open-source per radiomics lavoro2. L'interfaccia utente grafica (GUI) è stata sviluppata al MD Anderson Cancer Center con l'obiettivo di facilitare l'estrazione e il calcolo delle caratteristiche quantitative per assistere nel processo decisionale nella cura del cancro. Una fonte codice3 e una versione stand-alone4 sono disponibili online. IBEX calcola le 5 categorie più comuni di funzionalità utilizzate in radiomics medica con parametri che possono essere impostati per ogni categoria di funzionalità. Le categorie sono: grigio livello co-avvenimento matrice5, grigio lunghezza di esecuzione livello matrice6,7, intensità, quartiere intensità differenza matrice8e forma. Poiché IBEX è open source, consente risultati estrazione caratteristica armonizzate attraverso istituzioni di confrontare facilmente radiomics diversi studi. Tutte le caratteristiche all'interno dello stambecco sono descritte nel documento iniziale di Zhang et al. 2
Lo scopo di questo manoscritto è quello di fornire indicazioni su come utilizzare IBEX e dimostrare le sue applicazioni attraverso studi pubblicati pari-esaminati dal gruppo di radiomics MD Anderson. Dal suo rilascio al pubblico nel 2015, IBEX è stato utilizzato per calcolare le caratteristiche dalle immagini di scansione CT, MRI e PET dal gruppo radiomics MD Anderson, indagando in genere caratteristiche per migliorare la sopravvivenza clinica modelli9,10, 11,12,13,14,15,16,17,18,19,20 e dall'esterno delle istituzioni21,22,23,24. Ulteriori indicazioni su strumenti software che possono essere utilizzati per i passaggi nella ricerca di radiomics che non sono inclusi in IBEX si trovano nella Corte et al. 25
Un'introduzione generale al flusso di lavoro di stambecco vi aiuterà a organizzare i dati correttamente prima di avviare progetti di radiomics utilizzando IBEX. Se l'importazione di immagini DICOM, IBEX richiede che ogni paziente ha la propria cartella con le loro immagini DICOM. DICOM radiazione struttura set per includere nella cartella paziente è opzionale, ma si consiglia invece di utilizzare la piattaforma di contornatura in IBEX. Per facilitare l'importazione di tutti i pazienti per uno studio specifico, tutte le cartelle paziente possono essere messi in una cartella insieme affinché tutti i dati possono essere importati in IBEX utilizzando solo un passo. Se l'importazione di pazienti da Pinnacle, è meglio avere la struttura impostata con il piano di paziente. Come i pazienti possono avere più insiemi di immagini e piani all'interno di Pinnacle, è meglio sapere quale immagine set e piano siano corrette prima dell'importazione. Tempo di calcolo è una preoccupazione, riducendo il numero di fette di immagine per un paziente può drasticamente ridurre tempo. Ad esempio, se solo il fegato è di interesse in uno studio, ma i pazienti hanno scansioni CT completo del corpo, riducendo le fette DICOM solo nella misura dell'area di interesse possono abbreviare il tempo di calcolo (ad esempio, riducendo il DICOM da 300 fette a 50 fette può prendere 1/6t h il tempo). Ci sono diversi strumenti disponibili per eseguire questa fetta di riduzione, da manuale a semi-automatico.

<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) è uno strumento open source per medical imaging radiomics lavoro. Lo scopo di questa carta è di descrivere le modalità per utilizzare l'interfaccia utente grafica di IBEX (GUI) e dimostrare come stambecco calcolato caratteristiche sono stati utilizzati negli studi clinici. IBEX consente l'importazione di immagini DICOM con DICOM radiazioni terapia struttura file o file di Pinnacle. Dopo aver importate le immagini, IBEX ha strumenti all'interno della GUI di selezione dati per modificare la visualizzazione delle immagini, valori di misura voxel e distanze e creare e modificare i contorni. IBEX è dotato di 27 scelte di caratteristica di pre-elaborazione e 132 per la progettazione di insiemi di funzionalità. Ogni categoria di pre-elaborazione e funzionalità dispone di parametri che possono essere modificati. L'output di IBEX è un foglio di calcolo contenente: 1) ogni funzionalità dal set calcolati per ogni contorno in un set di dati, informazioni di immagine 2) su ogni contorno in un set di dati e 3) una sintesi della pre-elaborazione di caratteristiche e funzionalità utilizzate con loro selezionati parametri. Caratteristiche calcolati da Stambecco sono stati utilizzati negli studi per testare la variabilità delle caratteristiche nelle diverse condizioni di imaging e nei modelli di sopravvivenza per migliorare i modelli clinici attuali.

L'output di IBEX è un foglio di calcolo (Vedi Figura 4) che contiene 3 schede. Nella scheda "Risultati" contiene i valori della funzione per ogni ROI nel set di dati (Figura 4A). La scheda "Dati Info." contiene informazioni sulle immagini scattate da ogni ROI nel set di dati (Figura 4B). La scheda "Feature Info." contiene un elenco completo delle funzionalità utili...

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

Descriviamo IBEX, uno strumento open source progettato per studi di radiomics di imaging medico e come utilizzare questo strumento. Inoltre, sono in mostra alcune opere pubblicate che hanno usato IBEX per analisi di incertezza e modello di edificio.

Linee guida ed esperienza utilizzando Imaging Biomarker Explorer (IBEX) per 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 Views.  The University of Texas MD Anderson Cancer Center. Descriviamo IBEX, uno strumento open source progettato per studi di radiomics di imaging medico e come utilizzare questo strumento. Inoltre, sono in mostra alcune opere pubblicate che hanno usato IBEX per analisi di incertezza e modello di edificio.

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.

Bioimmagini registrato di Nanomateriali per il monitoraggio diagnostico e terapeutico

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

Ricerca

Bioingegneria

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.

Selezionando più biomarcatore sottoinsiemi con similmente efficace classificazione binaria spettacoli

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

Ricerca sul cancro

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.

Esecuzione di data mining e analisi integrativa dei biomarcatori nel cancro al seno utilizzando più database accessibili pubblicamente

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.

Algoritmi di apprendimento automatico per il rilevamento precoce delle metastasi ossee in un modello di ratto sperimentale

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.

Lesione Explorer: un video-guida, standardizzato protocollo preciso e affidabile Volumetrics MRI-derivati ​​nella malattia di Alzheimer e normale Anziani

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 solida piattaforma di scoperta per l'identificazione di nuovi mediatori delle metastasi 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.

Profilazione spaziale digitale per la caratterizzazione del microambiente in gliomi diffusamente infiltranti di 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>Risposta alle radiazioni in organoidi tumorali derivati da pazienti mediante un test clonogenico

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>Autore in primo piano: Radioterapia e saggi clonogenici per far progredire la ricerca sul cancro e la medicina personalizzata

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

Imaging dal vivo per quantificare la radiosensibilità cellulare negli organoidi tumorali derivati da pazienti

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

Linee guida ed esperienza utilizzando Imaging Biomarker Explorer (IBEX) per Radiomics

Riepilogo

Esplora Altri Video

PLAYLIST