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 é financiado pela Rosalie B. Hite Graduate Fellowship e American Legião auxiliar Fellowship. Carlos Cardoso foi financiado pela sociedade George M. Stancel PhD em ciências biomédicas. O desenvolvimento da IBEX foi financiado pela ICN (R03 CA178495).

1. Instale o IBEX
Nota: Para instalar uma versão de código-fonte vá para o passo 1.1. Como alternativa, para instalar uma versão stand-alone vá para a etapa 1.2.
<ol><li>
Versão de código-fonte
	<ol>
<li>Ir para a versão de código-fonte do IBEX site3. Baixe os arquivos "IBEX_Source.zip" e "How_to_use.pdf". Olha no arquivo "How_to_use.pdf" para encontrar os pré-requisitos para usar a versão mais recente do IBEX. Nota: IBEX só funciona em versões de 32 bits e 64 bits Matlab 2011a e 2014b, respectivamente.</li>
		<li>Uma vez que o download for concluído, descompacte o "IBEX_Source.zip" e adicione a pasta \IBEX_Source para o caminho local. Nota: Instruções sobre como adicionar um caminho podem ser encontradas na página de referências do software para "Adicionar caminho"26.</li>
		<li>Digite "IBEXMain" na janela de comando para iniciar o IBEX.</li>
	</ol>
</li>
	<li>
Versão stand-alone
	<ol>
<li>Ir para a versão stand-alone de IBEX site4. Se instalar o IBEX pela primeira vez, vá para a pasta "Dependências" e baixar/instalar o "MCRInstaller.exe", vc2005redist_x86_new.exe, "e"vc2012redist_x86.exe"arquivos. Na página principal, baixe o "IBEX.exe," "IBEX.ctf", "IBEX.ini" e "How_to_use.pdf" arquivos na mesma pasta. Olha no arquivo "How_to_use.pdf" para os pré-requisitos usar a versão mais recente do IBEX.</li>
		<li>Duplo clique em "IBEX.exe" para iniciar o IBEX.</li>
	</ol>
</li>
</ol>2. definir o local
Nota: As imagens são importadas para este conjunto local e os dados para este estudo são armazenados aqui também. Localização de usos mais anteriormente aplicados IBEX como local padrão quando re-lançado.
<ol><li>Clique no ícone "Local" (Figura 1).</li>
	<li>Selecione o usuário ou dê um duplo clique em "Novo usuário" para criar uma nova pasta de usuário. Se criar uma nova pasta de usuário, digite o nome na nova janela, clique no botão de "Okey".</li>
	<li>Selecione o site dentro do usuário selecionado ou clique duas vezes para criar uma nova pasta de site "novo Site". Se criar uma nova pasta de usuário, digite o nome na nova janela, clique no botão de "Okey".</li>
	<li>Clique no botão "Okey" na parte inferior.</li>
</ol>3. importar imagens
<ol><li>Clique no ícone de "Importação" (Figura 1).</li>
	<li>Selecione DICOM ou Pinnacle9 (versão do arquivo Pinnacle 9) formato clicando sobre o nome do formato. Para importar DICOM imagens vão para a etapa 3.3.1. Para importar Pinnacle9 arquivos vão para a etapa 3.3.2.</li>
	<li>Clique no botão "Next".<ol>
<li>Importar imagens DICOM Nota: Para importar os pacientes individualmente vão para a etapa 3.3.1.1. Para importar vários pacientes, ao mesmo tempo, vá para a etapa 3.3.1.2.<ol>
<li>Importe cada paciente individualmente selecionando a pasta de paciente através do diretório.<ol>
<li>Clique no botão "...", ao lado do diretório listado para selecionar a pasta de paciente que contém as imagens DICOM e estrutura de radiação definido arquivo DICOM (opcional). Nota: Enquanto só é opcional importar uma estrutura definida com os ficheiros dos pacientes, é altamente recomendável a fazê-lo. IBEX tem uma plataforma de contorno dentro dele, mas isso está um pouco impraticável para grandes conjuntos de dados. IBEX pode acomodar conjuntos de estrutura de plataformas de software comercial que são familiares de contorno ferramentas para oncologistas de radiação, o que faz com que o fluxo de trabalho muito mais fácil. Isto é tipicamente como IBEX é usado em estudos.</li>
				<li>Clique no botão "Importar" no canto inferior esquerdo uma vez IBEX terminou procurando os arquivos DICOM, o paciente e caixas de detalhes serão preenchidas.</li>
				<li>Repita as etapas 3.3.1.1.1 - 2 para cada paciente.</li>
				<li>Clique no botão "Exit", depois de todos os pacientes são importados.</li>
			</ol>
</li>
			<li>Importe todos os pacientes de uma vez, marcando a caixa 'Pasta de lote' no canto superior direito. Nota: Todos os pacientes devem ter uma pasta separada, contendo seus respectivos arquivos DICOM.<ol>
<li>Clique no botão "...", ao lado do diretório listado para selecionar a pasta que contém todas as pastas de paciente com suas correspondentes imagens DICOM e estrutura de radiação definido arquivo DICOM (opcional).</li>
				<li>Clique no botão "Importar". Os pacientes serão importados sequencialmente. Clique no botão "Exit", depois de todos os pacientes são importados.</li>
			</ol>
</li>
		</ol>
</li>
		<li>Arquivos de Pinnacle<ol>
<li>Configure o Host Pinnacle e banco de dados dentro do arquivo "\IBEX\ImportExport\ImportModule\Pinnacle9\Pinnacle9ImportMain.INI". Clique no botão "Config" antes de selecionar Pinnacle na caixa do módulo de importação.</li>
			<li>Selecione o Host Pinnacle e banco de dados apropriados.</li>
			<li>Insira o paciente MRN, apelido ou primeiro nome, em seguida, clique em outro lugar na janela.</li>
			<li>Clique no botão "Consulta".</li>
			<li>Selecione o paciente na nova janela, em seguida, clique no botão "Transferência".</li>
			<li>Clique na caixa dos conjuntos do paciente na janela nova imagem desejada e clique no botão "Okey".</li>
			<li>Clique no botão "Okey" na nova janela que é rotulado "Dados importados com êxito."</li>
			<li>Clique no botão "Exit", depois de todos os pacientes são importados.</li>
		</ol>
</li>
	</ol>
</li>
</ol>4. visualização de imagens e regiões de interesse (ROIs)
<ol><li>Clique no ícone de "Dados" (Figura 1). Clique sobre o arquivo desejado e paciente para abrir a seção "Selecione um paciente" da GUI (metade superior).</li>
	<li>Clique sobre o conjunto de imagens de arquivo de paciente desejado para abrir a seção "Selecione o grupo de imagem" do GUI (metade inferior). Clique no botão "Abrir".</li>
	<li>Use as setas abaixo as imagens para percorrer as imagens, são mostrados no axial, coronais, e pontos de vista sagitais (da esquerda para a direita).</li>
	<li>Amplie a imagem clicando no botão "Zoom" (Figura 2). Desenhe uma caixa sobre o plano de imagem para ampliar. Botão direito do mouse para diminuir o zoom.</li>
	<li>Ligue os localizadores, selecionando o botão de "Cruzamento" (Figura 2). Nota: As linhas que aparecem mostram onde essa fatia situa-se em cada avião. Estas linhas se mover quando usando as setas de rolagem.</li>
	<li>Clique no botão "Régua" (Figura 2) para medir distâncias. Clique e segure o botão esquerdo do mouse para medir entre dois pontos de interesse. Solte o mouse para remover o valor medido da área exibida.</li>
	<li>Clique no botão "CT Num" (Figura 2) para medir o valor de um voxel. Clique e segure o botão esquerdo do mouse sobre o voxel de interesse e o valor irão aparecer no lado esquerdo do GUI abaixo a escala de cores. Solte o mouse para remover o valor medido da área exibida.</li>
	<li>Clique no botão "W/L" (Figura 2) de nível/janela as imagens. Outra janela irá aparecer. Arraste os lados esquerdo e direito para a área desejada ou insira manualmente a janela/nível nas caixas na parte inferior da janela nova janela e nível. Selecione a janela/níveis diferentes, usando o primeiro menu drop-down à esquerda ( Figura 2): existem 8 para CT e 1 para Pet.</li>
	<li>Selecione uma cor diferentes escalas, usando o segundo menu à esquerda (Figura 2) suspenso: existem 9 opções de escolha.</li>
	<li>Visualize ROIs clicando na caixa ao lado o ROI para torná-lo visível nas imagens, ou clique no botão "Em todos os ROIs" para ativar todas as paciente ROIs.</li>
</ol>5. editar o ROI
<ol><li>Edite ROIs clicando no botão "Editar ROIs" no canto superior esquerdo ou na parte inferior central. Selecione o contorno para editar, clicando na caixa ao lado de seu nome.</li>
	<li>Use o botão "Nudge contornos" (Figura 3) para empurrar contornos dentro ou para fora como já desenhado. Ajuste o tamanho do círculo usado na caixa rotulada "D" ao lado do botão de contornos Nudge.</li>
	<li>Remova uma fatia inteira de contorno usando o botão de "Contornos de corte" (Figura 3). Clique e segure o botão esquerdo do mouse e desenhe uma caixa ao redor o ROI deve ser removido.</li>
	<li>Desenhar os contornos Nota: Vá para a etapa 5.4.1 desenhar contornos por pontos de conexão. Vá para a etapa 5.4.2 desenhar contornos à mão livre.<ol>
<li>Pontos de conexão: Use o botão "Desenhar contornos (1)" (Figura 3) para desenhar um contorno em cada fatia clicando em pontos ao redor do contorno onde os pontos são conectados por linhas retas. Complete o ROI para aquela fatia clicando sobre o primeiro ponto desenhado.</li>
		<li>Mão livre: Use o botão "Desenhar contornos (2)" (Figura 3) para desenhar um contorno à mão livre. Segure o botão esquerdo do mouse para desenhar o contorno na fatia. Termine o contorno sobre essa fatia vai voltar para o início do ROI desenhada e depois soltar o botão esquerdo do mouse.</li>
	</ol>
</li>
	<li>Clique sobre o botão "Interpolar contornos" (Figura 3) para interpolar ROIs entre fatias.</li>
	<li>Clique no botão "ROI de copiar" para copiar o ROI.</li>
	<li>Mescle ROIs selecionando múltiplos ROIs e em seguida, clicando no botão "Mesclar ROI".</li>
	<li>Clique no botão "Excluir ROI" para excluir o ROI atualmente selecionado.</li>
	<li>Clique em "Criar ROI" para criar um novo ROI que fará com que uma janela pop-up. Digite o nome do ROI e clique no botão "Okey". Clique no botão "Salvar". Clique no botão "Exit" para retornar ao visor do paciente.</li>
</ol>6. os contornos no conjunto de dados
<ol><li>Ver os contornos no conjunto de dados<ol>
<li>Clique no botão "mostrar o conjunto de dados" para ver os contornos no conjunto de dados. Clique sobre o nome do conjunto de dados para exibir. Clique no botão "Abrir". Selecione paciente contornos usando a caixa ao lado de seu nome. Clique no botão "Delete", "Movimento" ou "Cópia", dependendo da função desejada para o contorno. Feche a janela do conjunto de dados uma vez terminada a visualização do conjunto de dados.</li>
	</ol>
</li>
	<li>Adicionar contornos para o conjunto de dados<ol>
<li>Selecione contornos para adicionar a um conjunto de dados clicando a caixa de seleção ao lado de seu nome, em seguida, clique no botão "adicionar ao conjunto de dados". Clique sobre o nome do conjunto de dados para adicionar os contornos ou clique no botão "New" para um novo conjunto de dados. Se o novo for selecionado, digite o nome do conjunto de dados na nova janela. Clique no botão "Okey".</li>
	</ol>
</li>
	<li>Clique no botão "Importar ROIs" para importar um arquivo de 9 .roi Pinnacle versão se contornos não foram carregados durante a seção 3.<ol>
<li>Clique no botão "..." para selecionar o arquivo. Clique no botão "Importar".</li>
	</ol>
</li>
	<li>Clique no botão "ROIs exportar" para exportar ROIs.<ol>
<li>Clique no botão "..." para selecionar o diretório em que serão colocados ROIs exportados. Clique sobre o nome do formato que é preferido para o exportado ROIs. Insira as informações de anonimização se é preferencial. Clique no botão Exportar. Nota: A predefinição é para nenhum anonimização ser executada.</li>
	</ol>
</li>
	<li>Clique no botão "Exit" para retornar à lista de pacientes e exames.</li>
</ol>7. criar o conjunto de recursos
<ol><li>Clique no ícone do "Recurso".</li>
	<li>Adicione o pré-processamento se desejado.<ol>
<li>Clique no botão "Add" em "Passo 1: pré-processar". Selecione a opção de pré-processamento de menu drop-down na janela nova.</li>
		<li>Clique sobre o "i" sob "Parág." para selecionar os parâmetros de pré-processamento. Clique sobre o número na coluna de valor na nova janela do parâmetro para mudá-lo. Digite o novo valor do parâmetro e clique no botão "Okey".</li>
		<li>Clique no botão "interrogação" no canto superior direito para uma descrição do método de pré-processamento e o pré-processamento de parâmetros específicos.</li>
		<li>Clique no botão "Adicionar". Selecione a etapa de pré-processamento e clique no botão 'Excluir' para excluir etapas de pré-processamento indesejadas.</li>
	</ol>
</li>
	<li>Adicione as características desejadas.<ol>
<li>Selecione a categoria de recurso no menu suspenso em "etapa 2: categoria de recursos:". Repita as etapas para várias categorias. Nota: Apenas uma categoria de recursos pode ser adicionada a um momento. Diferentes combinações de pré-processamento e recurso categorias podem ser adicionadas para o mesmo recurso definido se desejado.<ol>
<li>Selecione o "GrayLevelCooccurenceMatrix25" e as "NeighborIntensityDifference25" categorias de recurso para calcular a matriz de co-ocorrência nível cinza e bairro matriz de diferença de intensidade, respectivamente, em 2.5 D, que é feito calculando a matriz em cada fatia individualmente e então somar todas as matrizes juntos.</li>
			<li>Selecione o "GrayLevelCooccurenceMatrix3" e as "NeighborIntensityDifference3" categorias de recurso para calcular a matriz de co-ocorrência nível cinza e bairro matriz de diferença de intensidade, respectivamente, em 3D.</li>
		</ol>
</li>
		<li>Clique sobre o "i" sob "Parág." para os parâmetros selecionados para o pré-processamento. Clique no botão no canto superior direito para obter uma descrição desse método de pré-processamento e os parâmetros de "ponto de interrogação".<ol>
<li>Digite o novo valor do parâmetro e clique no botão "Okey".</li>
		</ol>
</li>
		<li>Clique no botão "Test" para exibir uma categoria de recurso ou recurso específico. Clique no botão ao lado do recurso ou a categoria desejada.<ol>
<li>Selecione o conjunto de dados para ver o teste em e clique no botão "Abrir". Marque a caixa junto aos pacientes do conjunto de dados selecionado para ver o teste em e clique no botão "Test".</li>
		</ol>
</li>
		<li>Desmarque a opção recursos indesejados para a categoria selecionada; todos os recursos são selecionados depois de selecionar a categoria. Clique na palavra "características:" em "Passo 2: recursos" para desmarcar todas as funcionalidades.</li>
		<li>Clique no botão "Adicionar ao conjunto de recursos" para adicionar todos os recursos selecionados com pré-processamento selecionado.<ol>
<li>Selecione o recurso conjunto para adicionar recursos para e clique no botão "Abrir" ou clique no botão "Novo" para adicionar recursos a um novo conjunto de recursos. Se criar um novo conjunto de recursos, digite o nome do recurso definido na nova janela e clique no botão "Okey".</li>
		</ol>
</li>
	</ol>
</li>
	<li>Clique no botão "Mostrar conjunto de recursos" para ver os recursos com técnicas de pré-processamento correspondentes para exibir recursos em um conjunto de recursos.<ol>
<li>Selecione o recurso definido para exibir e clique no botão "Abrir" ou clique no botão "Novo" para criar um novo conjunto de recursos. Se criar um novo conjunto de recursos, digite o nome do recurso definido na nova janela e clique no botão "Okey".</li>
	</ol>
</li>
	<li>Clique no botão "mostrar o conjunto de dados" para exibir conjuntos de dados atuais.<ol>
<li>Selecione o conjunto de dados para exibir e clique no botão "Abrir" ou clique no botão "New" para criar um novo conjunto de dados. Se criar um novo conjunto de dados, digite o nome do conjunto de dados na nova janela e clique no botão "Okey".</li>
	</ol>
</li>
	<li>Clique no botão "Exit".</li>
</ol>8. características de saída
<ol><li>Clique no ícone de "Resultado". Clique no conjunto de dados para executar os recursos sob "etapa 1: conjunto de dados." Clique no recurso definido para ser executado sobre os dados selecionados em "etapa 2: conjunto de recursos."</li>
	<li>Clique no botão "Exibir dados" para exibir o conjunto de dados selecionado. Clique no botão "Recurso de modo de exibição" para exibir o conjunto de recursos selecionados.</li>
	<li>Clique no botão "Calcular & salvar resultado". Digite o nome de arquivo para os resultados e clique no botão "Salvar".</li>
</ol>9. estatística edifício modelo
<ol><li>Abra o arquivo de resultados salvos. Nota: Este é tipicamente sob o usuário C:\IBEX\DataIbex\[Selected no passo 2.2] \ [Site selecionado na etapa 2.3] \1FeatureResultSet_Result, a menos que caso contrário atribuído na etapa 8.4.</li>
	<li>Utilizar os dados das guias diferentes nos testes estatísticos desejados ou modelo de construção de software. Nota: O protocolo pode ser pausado a qualquer momento. No entanto, é mais conveniente, depois de terminar todos os passos necessários para um ícone específico, por exemplo, terminar todos da secção 7, que está sob o ícone de recurso.</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>

Os autores têm sem interesses financeiros concorrentes para divulgar.

IBEX é uma poderosa ferramenta de pesquisa de radiomics de imagem médica. -Tem até agora sido usado principalmente para fins de Oncologia radiação em estudos realizados pelo grupo de radiomics MD Anderson. IBEX permite a manipulação de ROIs e cálculo de recursos dentro de 5 categorias de recurso principal. A versão de código fonte do IBEX permite ao usuário para aplicativos de design que já não são parte do IBEX, tais como características de matriz de zona cinzenta de nível.
As...

Na medicina, o diagnóstico da doença do paciente normalmente incorpora um grande número de exames de diagnóstico, como raios-x, ultra-sonografia, tomografia computadorizada (CT), ressonância magnética (MRI), e varreduras de tomografia por emissão de pósitrons (PET) para ajudar a determinar o curso de atendimento ao paciente. Enquanto os médicos usam essas imagens para avaliar qualitativamente o diagnóstico do paciente, pode haver características quantitativas adicionais que podem ser extraídas para orientar o tratamento do paciente. A lógica é que esses recursos podem representar proteômica e genômicos padrões expressados na escala macroscópica1. Combinando estas informações quantitativas com o atuais informações clínicas, por exemplo, paciente, demografia, podem permitir atendimento mais individualizado. Esta é a teoria por trás do radiomics: apresentam a análise de imagens em um nível de voxel. As características normalmente caem em 5 categorias principais: cinza matriz de co-ocorrência de nível, comprimento de execução nível cinza matriz, matriz de diferença de intensidade de bairro, histograma e forma.
Imagem latente biomarcador Explorer (IBEX) é uma ferramenta de código-fonte aberto para radiomics trabalho2. A interface gráfica do usuário (GUI) foi desenvolvida no MD Anderson Cancer Center, com o objetivo de facilitar a extração e cálculo de recursos quantitativos para auxiliar na tomada de decisões no tratamento do câncer. Uma fonte do código3 e uma versão stand-alone4 estão disponíveis online. IBEX calcula as 5 categorias mais comuns de recursos usados na medicina radiomics com parâmetros que podem ser definidos para cada categoria de recurso. As categorias são: cinza de matriz de co-ocorrência de nível5, comprimento de execução nível cinza matriz6,7, intensidade, bairro intensidade diferença matriz8e forma. Desde que o IBEX é open source, permite resultados de extração de característica harmonizadas instituições financeiras facilmente comparar estudos diferentes radiomics. Todos os recursos no IBEX estão descritos no documento inicial por Zhang et al 2
O objetivo deste manuscrito é fornecer orientações sobre como usar o IBEX e demonstrar suas aplicações através de estudos publicados revistas do grupo radiomics MD Anderson. Desde o seu lançamento para o público em 2015, IBEX tem sido usado para calcular as características de imagens de varredura de CT, PET e MRI pelo grupo radiomics MD Anderson, normalmente investigando características para melhorar a sobrevivência clínica modelos9,10, 11,12,13,14,15,16,17,18,19,20 e por instituições externas21,22,23,24. Orientações adicionais sobre ferramentas de software que pode ser usado para obter as etapas na pesquisa radiomics que não estão incluídas no IBEX podem ser encontrada no Court et al 25
Uma introdução geral para o fluxo de trabalho de IBEX vai ajudar a organizar os dados corretamente antes de iniciar projetos de radiomics utilizando o IBEX. Se importar imagens DICOM, IBEX requer que cada paciente tem sua própria pasta com suas imagens DICOM. Conjunto de estrutura de radiação DICOM é opcional para incluir na pasta do paciente, mas é recomendável em vez de usar a plataforma de contorno no IBEX. Para ajudar com a importação de todos os pacientes para um estudo específico, todas as pastas de paciente podem ser colocadas em uma pasta juntos para que todos os dados podem ser importados para o IBEX usando apenas um passo. Se importando pacientes da Pinnacle, é melhor ter a estrutura definida com o plano do paciente. Como os pacientes podem ter vários conjuntos de imagens e planos dentro Pinnacle, é melhor saber qual imagem definido e plano estão corretos antes de importar. Se o tempo de computação é uma preocupação, reduzindo o número de fatias de imagem para um paciente pode reduzir drasticamente o tempo. Por exemplo, se apenas o fígado tem um interesse em um estudo, mas os pacientes têm varreduras de CT de corpo inteiro, reduzindo as fatias DICOM apenas na medida da área de interesse podem encurtar o tempo de computação (por exemplo, reduzindo o DICOM de 300 fatias para 50 fatias pode levar 1/6t h o tempo). Existem diferentes ferramentas disponíveis para realizar esta redução da fatia, do manual para semiautomática.

<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

Imagem latente biomarcador Explorer (IBEX) é uma ferramenta open source para imagiologia médica radiomics trabalho. O objetivo deste trabalho é descrever como usar a interface de utilizador gráfica do IBEX (GUI) e para demonstrar como o IBEX calculados recursos têm sido utilizados em estudos clínicos. IBEX permite a importação de imagens DICOM com Pinnacle arquivos ou arquivos de estrutura de terapia de radiação de DICOM. Uma vez que as imagens são importadas, IBEX tem ferramentas dentro do GUI de seleção de dados para manipular a visualização das imagens, valores de medida voxel e distâncias e criar e editar contornos. IBEX vem com 27 opções de recurso pré-processamento e 132 para projetar conjuntos de recursos. Cada categoria de pré-processamento e recurso possui parâmetros que podem ser alterados. A saída do IBEX é uma planilha que contém: 1) cada característica do conjunto calculado para cada contorno de um conjunto de dados, imagem 2) obter informações sobre cada contorno em um conjunto de dados e 3) um resumo do pré-processamento de recursos e recursos usados com seus selecionados parâmetros. Características, calculadas a partir da IBEX têm sido utilizadas em estudos para testar a variabilidade das características sob diferentes condições de imagem e em modelos de sobrevivência para melhorar os modelos clínicos atuais.

A saída do IBEX é uma planilha (ver Figura 4) que contém 3 guias. Na guia "Resultados" contém os valores de recurso para cada ROI no conjunto de dados(Figura 4). Na guia "Dados informação." contém informações sobre as imagens tiradas de cada ROI no conjunto de dados (Figura 4B). Na guia "Recurso informação." contém uma lista abrangente de recursos usados ...

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

Descrevemos o IBEX, uma ferramenta de código aberto projetada para estudos de radiomics de imagiologia médica e como usar esta ferramenta. Além disso, alguns trabalhos publicados que utilizaram IBEX para análise de incerteza e construção do modelo são exibidos.

Orientações e experiência usando a imagem latente biomarcador Explorer (IBEX) para 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 visualizações.  The University of Texas MD Anderson Cancer Center. Descrevemos o IBEX, uma ferramenta de código aberto projetada para estudos de radiomics de imagiologia médica e como usar esta ferramenta. Além disso, alguns trabalhos publicados que utilizaram IBEX para análise de incerteza e construção do modelo são exibidos.

Vídeo: 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.

BioImaging registradas de Nanomateriais para Monitoramento de Diagnóstico e Terapêutica

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

Bioengenharia

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.

Selecionando vários subconjuntos de biomarcador com Performances de classificação binária eficaz da mesma forma

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

Pesquisa do câncer

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.

Realizando a mineração de dados e análise Integrativa do biomarcador no câncer de mama usando vários bancos de dados acessíveis publicamente

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 aprendizagem de máquina para detecção precoce de metástases ósseas em um modelo experimental de ratos

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.

Lesão Explorer: Um guiada por vídeo, protocolo padronizado para Volumetrics MRI derivados precisos e confiáveis ​​na doença de Alzheimer e idosos normais

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.

Uma plataforma robusta de descoberta para a identificação de novos mediadores de metástase de 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 Caracterização do Microambiente em Glioma Infiltrante Difuso do 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>Resposta à radiação em organoides tumorais derivados de pacientes usando um ensaio clonogênico

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 em destaque: Radioterapia e ensaios clonogênicos para o avanço da pesquisa do câncer e medicina personalizada

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

Imagens ao vivo para quantificar a radiossensibilidade celular em organoides tumorais 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, ...

Orientações e experiência usando a imagem latente biomarcador Explorer (IBEX) para Radiomics

Resumo

Explore mais vídeos

PLAYLIST