레이첼 Ger로 잘 리 나 하이트 대학원 친교와 미국 군단 보조 친교에 의해 자금이 다. 카를로스 Cardenas 생물 과학에 조지 M. Stancel 박사 친교에 의해 자금 하고있다. 아이 벡 스의 개발은 NCI (R03 CA178495)에 의해 투자 되었다.

1. 아이 벡 스를 설치
참고: 설치 하려면 소스 코드 버전 1.1 단계로 이동. 또는, 설치를 독립 실행형 버전 1.2 단계로 이동 합니다.
<ol><li>
소스 코드 버전
	<ol>
<li>아이 벡 스 소스 코드 버전 웹사이트3로 이동 합니다. "IBEX_Source.zip" 및 "How_to_use.pdf" 파일을 다운로드 합니다. 아이 벡 스의 최신 버전을 사용 하는 필수 구성 요소를 찾을 수 "How_to_use.pdf" 파일에서 찾습니다. 참고: 32 비트 및 64 비트 Matlab 버전 에서만 작동 하는 아이 벡 스 2011a와 2014b, 각각.</li>
		<li>다운로드가 완료 되 면 "IBEX_Source.zip" 압축 해제 하 고 \IBEX_Source 폴더의 로컬 경로를 추가. 참고: 경로 추가 하는 방법에 대 한 지침 "경로 추가"26소프트웨어 참조 페이지에서 찾을 수 있습니다.</li>
		<li>아이 벡 스를 시작 하려면 명령 창에서 "IBEXMain"를 입력 합니다.</li>
	</ol>
</li>
	<li>
독립 실행형 버전
	<ol>
<li>아이 벡 스 독립 실행형 버전 웹사이트4로 이동 합니다. 처음으로 아이 벡 스를 설치 하는 경우 "종속성" 폴더로 이동 및 다운로드/설치 "MCRInstaller.exe," vc2005redist_x86_new.exe, "및"vc2012redist_x86.exe"파일. 메인 페이지에서 다운로드는 "IBEX.exe," "IBEX.ctf," "IBEX.ini," 및 "How_to_use.pdf" 파일 같은 폴더에. 아이 벡 스의 최신 버전을 사용 하 여 필수에 대 한 "How_to_use.pdf" 파일에서 찾습니다.</li>
		<li>더블 아이 벡 스를 시작 하려면 "IBEX.exe"을 클릭 하십시오.</li>
	</ol>
</li>
</ol>2. 위치 설정
참고:이 설정된 위치에 이미지 가져오는 고이 연구에 대 한 데이터도 여기 저장 됩니다. 기본 위치와 아이 벡 스 사용 가장 이전 적용 위치 때 다시 시작.
<ol><li>"위치" 아이콘 (그림 1)를 클릭 하십시오.</li>
	<li>사용자를 선택 하거나 새로운 사용자 폴더를 만들려면 "새 사용자" 두 번 클릭 합니다. 새 창에 이름을 입력 새 사용자 폴더를 만드는 경우 다음 "확인" 버튼을 클릭 합니다.</li>
	<li>선택한 사용자 내 사이트를 선택 하거나 "새 사이트" 새 사이트 폴더를 두 번 클릭 합니다. 새 창에 이름을 입력 새 사용자 폴더를 만드는 경우 다음 "확인" 버튼을 클릭 합니다.</li>
	<li>하단에 "확인" 버튼을 클릭 합니다.</li>
</ol>3. 이미지를 가져옵니다.
<ol><li>"가져오기" 아이콘 (그림 1)를 클릭 하십시오.</li>
	<li>DICOM을 선택 또는 서식 이름을 클릭 하 여 Pinnacle9 (피나 클 파일 버전 9) 형식. DICOM을 가져오려면 이미지 3.3.1 단계로 이동 합니다. Pinnacle9를 가져오려는 파일 3.3.2 단계로 이동 합니다.</li>
	<li>"다음" 버튼을 클릭 합니다.<ol>
<li>DICOM 이미지 가져오기 참고: 가져올 환자 개별적으로 단계로 이동 3.3.1.1. 가져오려는 여러 환자는 단계로 3.3.1.2 한 번에 이동 합니다.<ol>
<li>디렉토리를 통해 환자 폴더를 선택 하 여 각 환자를 개별적으로 가져옵니다.<ol>
<li>DICOM 이미지를 포함 하는 환자 폴더 선택 나열 된 디렉터리 옆 "..." 버튼을 클릭 하 고 방사선 구조 설정 DICOM 파일 (선택 사항). 참고: 환자 파일 설정 구조를 가져오려면 옵션입니다만, 하는 동안 그것은 좋습니다 그렇게 할. 아이 벡 스, 컨투어링 플랫폼에는 하지만이 약간 큰 데이터 집합에 대 한 실용적인 아니에요. 아이 벡 스는 워크플로 훨씬 쉽게 만드는 구조 세트 방사선 종양학에 대 한 도구 컨투어링 익숙한 하는 상용 소프트웨어 플랫폼에서 수용할 수 있습니다. 이것은 일반적으로 연구에서 아이 벡 스를 사용 하는 방법을입니다.</li>
				<li>아이 벡 스 DICOM 파일, 환자 검색 완료 하 고 세부 정보 상자를 채울 것입니다 왼쪽 하단에 "가져오기" 버튼을 클릭 합니다.</li>
				<li>3.3.1.1.1-각 환자에 대해 2 단계를 반복 합니다.</li>
				<li>모든 환자를 가져온 후 "종료" 버튼을 클릭 합니다.</li>
			</ol>
</li>
			<li>오른쪽 상단에 ' 일괄 폴더 ' 상자를 선택 하 여 모든 환자를 한 번에 가져옵니다. 참고: 모든 환자는 그들의 각각 DICOM 파일을 포함 하는 별도 폴더가 있어야 합니다.<ol>
<li>그들의 해당 DICOM 이미지와 함께 모든 환자 폴더를 포함 하는 폴더를 선택 하려면 나열 된 디렉터리 옆 "..." 버튼을 클릭 하 고 방사선 구조 설정 DICOM 파일 (선택 사항).</li>
				<li>"가져오기" 버튼을 클릭 합니다. 환자는 순차적으로 가져올 것 이다. 모든 환자를 가져온 후 "종료" 버튼을 클릭 합니다.</li>
			</ol>
</li>
		</ol>
</li>
		<li>피나 클 파일<ol>
<li>"\IBEX\ImportExport\ImportModule\Pinnacle9\Pinnacle9ImportMain.INI" 파일 내에서 피나 클 호스트 및 데이터베이스를 구성 합니다. 가져오기 모듈 상자에 피나 클을 선택 하기 전에 "설정" 버튼을 클릭 합니다.</li>
			<li>적절 한 피나 클 호스트 및 데이터베이스를 선택 합니다.</li>
			<li>환자 MRN, 성, 또는 이름을 입력 한 다음 다른 창에서 클릭 합니다.</li>
			<li>"쿼리"를 클릭 합니다.</li>
			<li>새 창에서 환자를 선택한 다음 "전송" 버튼을 클릭 합니다.</li>
			<li>새 창에서 해당 환자에 게 서 원하는 이미지 세트의 상자를 클릭 하 고 "확인" 버튼을 클릭 합니다.</li>
			<li>"성공적으로 가져온 데이터." 라는 레이블이 붙은 새 창에서 "확인" 버튼을 클릭</li>
			<li>모든 환자를 가져온 후 "종료" 버튼을 클릭 합니다.</li>
		</ol>
</li>
	</ol>
</li>
</ol>4. 이미지 및 지역 관심사 (ROIs)의 보기
<ol><li>"데이터" 아이콘 (그림 1)를 클릭 하십시오. 원하는 환자 파일 GUI (상반신)의 "환자 선택" 섹션에서 열을 클릭 합니다.</li>
	<li>GUI의 "이미지 집합 선택" 섹션에서 열을 원하는 환자 파일의 이미지 설정에 클릭 (아래쪽 절반). "열기" 버튼을 클릭 합니다.</li>
	<li>이미지 아래 화살표를 사용 하 여 표시 되는 축에 코로나, 이미지 및 화살 뷰 (왼쪽에서 오른쪽)를.</li>
	<li>(그림 2) "확대/축소" 버튼을 클릭 하 여 이미지를 확대 합니다. 확대/축소 하려면 이미지 평면에 상자를 그립니다. 오른쪽 축소를 클릭 합니다.</li>
	<li>"교차로" 버튼 (그림 2)를 선택 하 여 지역화를 켭니다. 참고: 나타나는는 선 각 비행기에 그 조각을 위치 표시. 이 라인 이동 화살표를 사용 하 여 스크롤할 때.</li>
	<li>(그림 2) 거리를 측정 하는 "통치자" 버튼 클릭 합니다. 관심의 두 점 간의 측정 하 마우스 왼쪽된 단추를 클릭 합니다. 표시 된 영역에서 측정 된 값을 제거 하려면 마우스를 놓습니다.</li>
	<li>(그림 2)는 복의 가치를 측정 하는 "CT Num" 버튼 클릭 합니다. 클릭 하 고 관심의 복 및 값에 마우스 왼쪽된 버튼을 누른 색 눈금 아래 GUI의 왼쪽에 팝업 됩니다. 표시 된 영역에서 측정 된 값을 제거 하려면 마우스를 놓습니다.</li>
	<li>이미지 "W/L" 버튼 (그림 2) 창/레벨을 클릭 합니다. 또 다른 창이 나타납니다. 원하는 영역을 왼쪽과 오른쪽 드래그 하거나 새 창 하단의 창 및 수준 상자에서 창/레벨을 수동으로 입력 합니다. ( 그림 2) 왼쪽에 첫 번째 드롭 다운 메뉴를 사용 하 여 다른 창/레벨 선택: CT와 애완 동물에 대 한 1 대 8이 있다</li>
	<li>선택 다른 색조 두 번째를 사용 하 여 드롭 다운 메뉴 (그림 2) 왼쪽에: 9 옵션에서 선택할 수 있다.</li>
	<li>ROI는 이미지에서 볼 수 있도록 하거나 모든 환자 ROIs 설정 하려면 "에 모든 ROIs" 버튼을 클릭 옆에 있는 상자를 클릭 하 여 ROIs를 시각화.</li>
</ol>5. 편집 투자 수익
<ol><li>왼쪽된 상단 또는 하단 중앙에 "편집 ROIs" 버튼을 클릭 하 여 ROIs를 편집 합니다. 컨투어 이름 옆에 있는 상자를 클릭 하 여 편집을 선택 합니다.</li>
	<li>이미 그려진 또는 축소 윤곽을 "윤곽 조금 이동" 단추 (그림 3)을 사용 합니다. 상자 윤곽선 이동 버튼 옆에 있는 "D"에서 사용 되는 원의 크기를 조정 합니다.</li>
	<li>"잘라 윤곽" 단추 (그림 3)를 사용 하 여 전체 윤곽 슬라이스를 제거 합니다. 클릭 하 고 마우스 왼쪽된 버튼을 누르고 제거할 ROI 주위에 상자를 그립니다.</li>
	<li>윤곽을 그리기 참고: 포인트를 연결 하 여 윤곽을 그리는 5.4.1 단계로 이동 합니다. 5.4.2 자유 손으로 윤곽을 그리는 단계로 이동 합니다.<ol>
<li>연결 포인트: 컨투어에 그릴 각 조각 윤곽 주위에 포인트를 클릭 하 여 점을 직선으로 연결 되어 "무승부 윤곽 (1)" 버튼 (그림 3)를 사용 합니다. 그 조각에 대 한 투자 수익 그린 첫 번째 점을 클릭 하 여 완료 합니다.</li>
		<li>무료 손: "윤곽 (2) 그리기" 버튼 (그림 3)를 사용 하 여 자유 재량에 의해 한 윤곽선을 그릴. 슬라이스에 윤곽을 그리는 마우스 왼쪽된 버튼을 길게. 그려진된 ROI의 시작 부분으로 다시 오는 한 다음 왼쪽된 마우스 버튼을 해제 함으로써 해당 슬라이스에 컨투어를 마칩니다.</li>
	</ol>
</li>
	<li>조각 사이 ROIs를 보간 하 "보간 윤곽" 단추 (그림 3)를 클릭 합니다.</li>
	<li>투자 수익을 복사 하려면 "복사 ROI" 버튼 클릭 합니다.</li>
	<li>여러 ROIs를 선택 하 고 다음 "투자 수익 병합" 버튼을 클릭 하 여 ROIs를 병합 합니다.</li>
	<li>현재 선택 된 투자 수익을 삭제 하려면 "삭제 ROI" 버튼을 클릭 합니다.</li>
	<li>클릭 "투자 수익 만들기" 창이 새로운 투자 수익을 만들 팝업 됩니다. 투자 수익의 이름을 입력 하 고 "확인" 버튼을 클릭 합니다. "저장" 버튼을 클릭 합니다. 환자 뷰어 돌아가려면 "종료" 버튼을 클릭 합니다.</li>
</ol>6. 데이터에 윤곽 설정
<ol><li>데이터 집합에서 보기 윤곽<ol>
<li>데이터 집합에서 윤곽을 볼 수 "표시 데이터 집합" 버튼을 클릭 합니다. 보려는 데이터 집합의 이름을 클릭 하십시오. "열기" 버튼을 클릭 합니다. 선택 환자 그들의 이름 옆에 있는 상자를 사용 하 여 등고선. 해당 컨투어에 대 한 원하는 기능에 따라 "삭제", "이동", 또는 "복사" 버튼을 클릭 합니다. 일단 완료 볼 데이터 집합 데이터 집합 창을 닫습니다.</li>
	</ol>
</li>
	<li>데이터 집합에 윤곽선 추가<ol>
<li>컨투어 그들의 이름 옆에 있는 확인란을 클릭 하 여 데이터 집합에 추가를 선택한 다음 추가를 데이터 "설정" 버튼을 클릭. 윤곽선을 추가 하거나 새 데이터 집합에 대 한 "새로 만들기" 버튼을 클릭에 대 한 데이터 집합의 이름을 클릭 하십시오. 뉴를 선택 하면 새 창에서 데이터 집합의 이름을 입력 합니다. "확인" 버튼을 클릭 합니다.</li>
	</ol>
</li>
	<li>파일을 가져오려면 피나 클 버전 9.roi 등고선은 섹션 3 중 로드 되지 않은 경우 "가져오기 ROIs" 버튼을 클릭 합니다.<ol>
<li>파일을 선택 하려면 "..." 버튼을 클릭 합니다. "가져오기" 버튼을 클릭 합니다.</li>
	</ol>
</li>
	<li>ROIs를 내보내려면 "내보내기 ROIs" 버튼을 클릭 합니다.<ol>
<li>내보낸된 ROIs를 배치 됩니다 디렉터리를 선택 하려면 "..." 버튼을 클릭 합니다. 형식으로 내보낸된 ROIs에 대 한 선호의 이름을 클릭 하십시오. 그것은 선호 하는 경우 익명 정보를 입력 합니다. 내보내기 단추를 클릭 합니다. 참고: 미리 수행할 수 없는 익명입니다.</li>
	</ol>
</li>
	<li>환자와 검사의 목록으로 돌아가려면 "종료" 버튼을 클릭 합니다.</li>
</ol>7. 기능 세트 만들기
<ol><li>"기능" 아이콘을 클릭 합니다.</li>
	<li>필요한 경우 전처리 추가 합니다.<ol>
<li>"1 단계:: 전처리"에서 "추가" 버튼을 클릭 합니다. 새 창에서 드롭 다운 메뉴에서 전처리 옵션을 선택 합니다.</li>
		<li>"I" 아래 "파라." 전처리 매개 변수를 선택 하려면 클릭 하십시오. 그것을 변경 하려면 매개 변수의 새 창에서 값 열에서 번호를 클릭 하십시오. 새 매개 변수 값에 입력 하 고 "확인" 버튼을 클릭 합니다.</li>
		<li>전처리 방법의 설명 및의 특정 매개 변수 전처리 오른쪽 상단 모서리에 "물음표" 버튼 클릭 합니다.</li>
		<li>"추가" 버튼을 클릭 합니다. 전처리 단계를 선택 하 고 원하지 않는 전처리 단계를 삭제 하려면 "삭제" 버튼을 클릭 합니다.</li>
	</ol>
</li>
	<li>원하는 기능을 추가 합니다.<ol>
<li>기능 범주 아래 드롭 다운 메뉴에서 선택 "단계 2: 기능 범주:". 여러 범주에 대 한 단계를 반복 합니다. 참고: 하나의 범주에만 기능 한 번에 추가할 수 있습니다. 전처리 및 기능 카테고리의 다양 한 조합은 원하는 경우 설정 같은 기능을 추가할 수 있습니다.<ol>
<li>2.5 d 행렬을 계산 하 여 이루어집니다 회색 레벨 동시 발생 매트릭스와 이웃 강도 차이 매트릭스를 각각 계산 하는 "GrayLevelCooccurenceMatrix25"와 "NeighborIntensityDifference25" 기능 범주 선택 각 개별적으로 슬라이스 하 고 다음 함께 모든 행렬을 요약.</li>
			<li>"GrayLevelCooccurenceMatrix3"와 "NeighborIntensityDifference3" 기능 범주 차원에서 각각, 회색 레벨 동시 발생 매트릭스와 이웃 강도 차이 매트릭스를 계산을 선택 합니다.</li>
		</ol>
</li>
		<li>그 전처리 선택 매개 변수에 대 한 "파라."에서 "i"를 클릭 하십시오. 전처리 방법 및 매개 변수 설명에 대 한 오른쪽 상단 모서리에 "물음표" 버튼 클릭 합니다.<ol>
<li>새 매개 변수 값에 입력 하 고 "확인" 버튼을 클릭 합니다.</li>
		</ol>
</li>
		<li>기능 범주 또는 특정 기능을 보려면 "테스트" 버튼을 클릭 합니다. 기능 또는 원하는 범주 옆의 단추를 클릭 합니다.<ol>
<li>데이터 집합에서 테스트를 볼 하 고 "열기" 버튼을 클릭을 선택 합니다. 에 테스트를 볼 하 여 "테스트" 버튼을 클릭 선택한 데이터 세트에서 환자 옆의 확인란을 선택 합니다.</li>
		</ol>
</li>
		<li>원치 않는 기능을 선택 합니다; 범주에 대 한 선택을 취소합니다 모든 기능 범주를 선택한 후 선택 됩니다. 단어 "기능:" 모든 기능을 선택을 취소 "Step2:: 기능"에서.</li>
		<li>선택 된 전처리와 모든 선택 된 기능을 추가 하려면 "추가 기능 설정" 버튼을 클릭 합니다.<ol>
<li>"열기" 버튼을 클릭 하거나 기능 새로운 기능 집합을 추가 하려면 "새" 버튼을 클릭 하는 기능을 추가 하도록 설정 하는 기능을 선택 합니다. 설정 새로운 기능을 만드는 경우 새 창에서 기능 집합의 이름을 입력 하 고 "확인" 버튼을 클릭 합니다.</li>
		</ol>
</li>
	</ol>
</li>
	<li>기능 집합에서 기능을 보려면 해당 전처리 기술과 기능을 볼 수 "표시 기능 설정" 버튼을 클릭 합니다.<ol>
<li>설정 하 고 "열기" 버튼을 클릭 하 여 보거나 새로운 기능 집합을 만들려면 "새" 버튼을 클릭 하는 기능을 선택 합니다. 설정 새로운 기능을 만드는 경우 새 창에서 기능 집합의 이름을 입력 하 고 "확인" 버튼을 클릭 합니다.</li>
	</ol>
</li>
	<li>현재 데이터 집합을 보려면 "표시 데이터 집합" 버튼 클릭 합니다.<ol>
<li>보기 "열기" 버튼을 클릭 하거나 새 데이터 집합을 만드는 "새로 만들기" 버튼을 클릭에 대 한 데이터 집합을 선택 합니다. 새 데이터 집합을 만드는 경우 새 창에 데이터 집합의 이름을 입력 하 고 "확인" 버튼을 클릭 합니다.</li>
	</ol>
</li>
	<li>"종료" 버튼을 클릭 합니다.</li>
</ol>8. 출력 기능
<ol><li>"결과" 아이콘을 클릭 합니다. 데이터 집합에서 기능 실행을 클릭 하십시오 "단계 1: 데이터 세트." 선택 된 데이터에서 실행 되도록 설정 하는 기능에 클릭 "단계 2: 기능 세트."</li>
	<li>선택한 데이터 집합을 볼 "데이터 보기" 버튼 클릭 합니다. 선택 된 기능 집합을 볼 "기능 보기" 버튼 클릭 합니다.</li>
	<li>"계산 및 결과 저장" 버튼을 클릭 합니다. 결과 대 한 파일 이름을 입력 하 고 "저장" 버튼을 클릭 합니다.</li>
</ol>9. 통계 모델 구축
<ol><li>저장된 결과 파일을 엽니다. 참고: 이것은 일반적으로 아래 단계 2.2에서 C:\IBEX\DataIbex\[Selected 사용자] \ [단계 2.3에서 사이트 선택] \1FeatureResultSet_Result, 단계 8.4에서에서 달리 지정 하지 않는 한.</li>
	<li>다른 탭에서 데이터를 사용 하 여 원하는 통계 테스트에 또는 소프트웨어에서 건물 모델. 참고: 프로토콜은 언제 든 지 일시 중지 될 수 있습니다. 그러나, 특정 아이콘을, 예를 들어, 모든 기능 아이콘 아래 섹션 7의 마무리에 필요한 모든 단계를 마친 후 가장 편리 하다.</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>

저자는 공개 경쟁 금융 관심 없다 있다.

아이 벡 스는 의료 이미징 radiomics 연구를 위한 강력한 도구입니다. 그것은 지금까지 주로 사용 되었습니다 MD 앤더슨 radiomics 그룹에 의해 실시 하는 연구에서 방사선 종양학 목적. 아이 벡 스 ROIs의 조작 및 기능 5 주요 기능 범주 내에서 계산에 대 한 수 있습니다. 아이 벡 스의 소스 코드 버전에 포함 되지 않은 이미 아이 벡 스의 회색 레벨 영역 매트릭스 기능 같은 디자인 응용 프로그램 사용자 수...

의학, 환자 질병 진단 일반적으로 엑스레이, 초음파, 컴퓨터 단층 촬영 (CT), 자기 공명 영상 (MRI)과 같은 진단 시험의 많은 수를 통합 하 고 양전자 방출 단층 촬영 (PET) 검사 결정에서 원조 하는 환자 치료의 과정입니다. 의사가이 이미지를 사용 하 여 질적으로 환자의 진단 평가 하는 동안 추가 양적 기능을 환자 치료 안내를 추출할 수 있을 수 있습니다. 근거는 이러한 기능 수 있습니다 나타내고 proteomic 거시적인 규모1에 표현 하는 게놈 패턴입니다. 이 정량적 인 정보를 결합 하 여 현재 임상 정보, 예를 들면, 환자 인구, 더 개별된 환자 치료를 수 있습니다. 이것은 radiomics의 뒤에 이론: 복 수준에 이미지의 분석 기능. 특징 일반적으로 5 가지 주요 범주로을: 회색 레벨 동시 발생 매트릭스, 회색 레벨 실행된 길이 행렬, 이웃 강도 차이 매트릭스, 히스토그램, 및 모양.
이미징 바이오 마커 익스플로러 (아이 벡 스) radiomics 작업2에 대 한 오픈 소스 도구입니다. 그래픽 사용자 인터페이스 (GUI)는 암 치료에서 의사 결정을 지원 하기 위해 추출 및 정량 기능의 계산을 촉진의 목표와 MD 앤더슨 암 센터에서 개발 되었다. 독립형4 버전과 소스 코드3 온라인 사용할 수 있습니다. 아이 벡 스는 각 기능 범주에 대해 설정할 수 있는 매개 변수와 함께 의료 radiomics에서 사용 하는 기능의 5 가장 일반적인 범주를 계산 합니다. 카테고리: 회색 레벨 동시 발생 매트릭스5, 회색 레벨 실행된 길이 매트릭스6,7, 강도, 이웃 강도 차이 매트릭스8및 모양. 벡 스 오픈 소스 이기 때문에, 그것은 있게 조화 기능 추출 결과 대 한 기관에 걸쳐 쉽게 다른 radiomics 연구를 비교 합니다. 아이 벡 스 내의 모든 기능 장 그 외 여러분 에 의해 초기 종이에 설명 되어 있습니다. 2
이 원고의 목적은 아이 벡 스 사용 하 고 MD 앤더슨 radiomics 그룹에서 출판된 연구 피어-검토 한 결과 통해 응용 프로그램을 설명 하는 방법에 지침을 제공 하는 것입니다. 2015 년에는 대 중에 게 그것의 릴리스 이후 아이 벡 스 사용 되었습니다 CT, 애완 동물, 그리고 MRI 스캔 이미지에서 기능을 계산 하려면 MD 앤더슨 radiomics 그룹에 의해 일반적으로 임상 생존 모델9,10, 개선 하는 기능을 조사 11,12,13,14,15,,1617,18,19,20 및 외부 기관21,22,,2324로. 아이 벡 스에 포함 되지 않은 radiomics 연구 단계에 사용할 수 있는 소프트웨어 도구에 대 한 추가 지침 법원 외 에서 찾을 수 있습니다. 25
아이 벡 스의 워크플로에 대 한 일반적인 소개를 벡 스를 활용 하 여 radiomics 프로젝트를 시작 하기 전에 데이터를 제대로 구성 하는 데 도움이 됩니다. DICOM 이미지를 가져오는 경우 각 환자는 그들의 DICOM 이미지와 함께 그들의 자신의 폴더 아이 벡 스 필요 합니다. DICOM 방사선 구조 집합은 환자 폴더에 포함 되지만 대신 아이 벡 스에서 컨투어링 플랫폼을 사용 하 여 것이 좋습니다 있습니다. 특정 연구에 대 한 모든 환자를 가져오기 지원, 모든 환자 폴더 놓일 수 있다 하나의 폴더에 함께 있도록 벡 스만 한 단계를 사용 하 여 모든 데이터를 가져올 수 있습니다. 피나 클에서 환자를 가져오는 경우 환자 계획 설정 하는 구조를가지고 최상 이다. 환자는 여러 이미지 세트와 피나 클 내 계획 있을 수 있습니다, 그것은 어떤 이미지 설정 알아야 최고의 계획 가져오기 전에 올바른지. 계산 시간이 중요 한 경우, 환자에 대 한 이미지 조각의 수를 줄이고 시간을 크게 줄일 수 있습니다. 예를 들어 경우에 간 연구에 대 한 관심의 이다 하지만 환자 전신 CT 검사, 관심 분야의만 정도로 DICOM 분할 영역을 줄이고 계산 시간 (예를 들어, 300 조각에서 50 조각은 DICOM을 줄일 수 있습니다 1/6t를 단축할 수 있다 h 시간). 다른 도구에서 세미 자동으로 수동이 슬라이스 감소를 수행할 수 있다.

<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

바이오 마커 익스플로러 (아이 벡 스) 이미징 의료 이미징 radiomics 작업에 대 한 오픈 소스 도구입니다. 이 문서의 목적은 아이 벡 스의 그래픽 사용자 인터페이스 (GUI)를 사용 하 고 벡 스 기능 임상 연구에서 사용 된 계산 하는 방법을 설명 하는 방법을 설명 하는 것입니다. 아이 벡 스는 DICOM 방사선 치료 구조 파일 또는 피나 클 파일 DICOM 이미지의 가져오기에 대 한 수 있습니다. 이미지를 가져올 일단 아이 벡 스는 거리, 이미지 측정 복 값의 보기를 조작 하 고 작성 하 고 편집할 등고선 데이터 선택 GUI 내에서 도구가 있습니다. 아이 벡 스 27 전처리 및 132 기능 선택 기능 세트 디자인 함께 제공 됩니다. 각 전처리 및 기능 범주는 변경 될 수 있는 매개 변수가 있습니다. 아이 벡 스에서 출력은 포함 하는 스프레드시트: 각 데이터 집합에 윤곽선, 데이터 집합, 및 3)는 전처리의 요약에서 각 윤곽선에 대 한 2) 이미지 정보에 대 한 계산된 기능 및 그들의 선택과 함께 사용 하는 기능에서 1) 각 기능 매개 변수입니다. 아이 벡 스에서 계산 하는 기능 테스트 기능 다른 이미징 조건 하에서, 현재 임상 모델을 개선 하기 위해 생존 모델에서의 다양성을 연구에 사용 되었습니다.

아이 벡 스에서 출력은 스프레드시트 탭 3 건을 포함 된 ( 그림 4참조). "결과" 탭에(그림 4)데이터 집합에 있는 각 ROI의 기능 값을 포함 되어 있습니다. "데이터 정보." 탭 (그림 4B) 데이터 집합에 있는 각 ROI에서 가져온 이미지에 대 한 정보가 들어 있습니다. "기능 정보." 탭 기능 범?...

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

우리 아이 벡 스, 의료 이미징 radiomics 연구, 그리고이 도구를 사용 하는 방법에 대 한 설계는 오픈 소스 도구를 설명 합니다. 또한, 불확실성 분석에 대 한 벡 스를 사용 하 고 건물 모델 일부 출판된 작품 전시 됩니다.

지침 및 경험을 사용 하 여 이미징 바이오 마커 익스플로러 (아이 벡 스) Radiomics에 대 한

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

Universidad San Sebastian

Research

JoVE Journal

Engineering

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

13.1K 조회수.  The University of Texas MD Anderson Cancer Center. 우리 아이 벡 스, 의료 이미징 radiomics 연구, 그리고이 도구를 사용 하는 방법에 대 한 설계는 오픈 소스 도구를 설명 합니다. 또한, 불확실성 분석에 대 한 벡 스를 사용 하 고 건물 모델 일부 출판된 작품 전시 됩니다.

비디오: 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.

진단 및 치료 모니터링을위한 Nanomaterials 등록 Bioimaging

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

연구

생체공학

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.

마찬가지로 효과적인 이진 분류 공연으로 여러 바이오 마커 하위 집합 선택

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

암 연구학

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.

여러 공개적으로 접근 가능한 데이터베이스를 사용 하 여 유방암에서 바이오 마커의 데이터 마이닝 및 통합 분석 수행

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.

실험래기 모델에서 뼈 전이를 조기에 감지하기 위한 기계 학습 알고리즘

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.

병변 탐색기를 정확하고 신뢰할 수있는 MRI 유도 알츠하이머 병의 볼륨 측정 및 일반 노인을위한 영상 유도, 표준화 된 프로토콜

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

의학

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.

흑색종 전이의 새로운 중재자 식별을 위한 강력한 발견 플랫폼

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.

성인형 미만성 침윤성 신경교종의 미세환경 특성화를 위한 디지털 공간 프로파일링

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>Clonogenic Assay를 사용한 환자 유래 종양 오가노이드의 방사선 반응

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>저자 스포트라이트: 암 연구 및 맞춤형 의학 발전을 위한 방사선 요법 및 클론 생성 분석

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

환자 유래 종양 오가노이드에서 세포 방사선 민감도를 정량화하기 위한 Live Imaging

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

지침 및 경험을 사용 하 여 이미징 바이오 마커 익스플로러 (아이 벡 스) Radiomics에 대 한

요약

더 많은 비디오 탐색

이 비디오의 챕터

진단 및 치료 모니터링을위한 Nanomaterials 등록 Bioimaging

마찬가지로 효과적인 이진 분류 공연으로 여러 바이오 마커 하위 집합 선택

여러 공개적으로 접근 가능한 데이터베이스를 사용 하 여 유방암에서 바이오 마커의 데이터 마이닝 및 통합 분석 수행

실험래기 모델에서 뼈 전이를 조기에 감지하기 위한 기계 학습 알고리즘

병변 탐색기를 정확하고 신뢰할 수있는 MRI 유도 알츠하이머 병의 볼륨 측정 및 일반 노인을위한 영상 유도, 표준화 된 프로토콜

흑색종 전이의 새로운 중재자 식별을 위한 강력한 발견 플랫폼

성인형 미만성 침윤성 신경교종의 미세환경 특성화를 위한 디지털 공간 프로파일링

환자 유래 종양 오가노이드에서 세포 방사선 민감도를 정량화하기 위한 Live Imaging

환자 유래 종양 오가노이드에서 세포 방사선 민감도를 정량화하기 위한 Live Imaging

환자 유래 종양 오가노이드에서 세포 방사선 민감도를 정량화하기 위한 Live Imaging