専門家によるセグメンテーションラベルと定量的放射線特徴によるレンブラント MRI コレクションの強化

Scientific Data volume 9、記事番号: 338 (2022) この記事を引用

1784 アクセス

1 引用

5 オルトメトリック

メトリクスの詳細

この記事に対する著者の訂正は、2022 年 7 月 7 日に公開されました。

この記事は更新されました

残念なことに、脳とCNSの悪性腫瘍は一般的な診断です。 これらの病変の大部分は、予後不良と低い生存率の前兆となる高悪性度の腫瘍である傾向があり、世界中で第 10 位の死因であると推定されています。 これらの病変が生じる脳組織環境の複雑な性質は、橋渡し研究に豊富な機会を提供します。 磁気共鳴画像法 (MRI) は、脳内の異常領域の包括的なビューを提供できるため、トランスレーショナル脳腫瘍研究における MRI の応用は、疾患の診断とモニタリングに不可欠であると考えられています。 近年、放射線ゲノミクス、特にがんの分野で急速な成長が見られ、科学者は医療画像から抽出された定量データ (ラジオミクスとも呼ばれる) をゲノミクスとうまく統合して、臨床に関連する新たな疑問に答えることができました。 この論文では、パブリック ドメインから収集した REMBRANDT データから生の MRI スキャンを取得し、体積セグメンテーションを実行して脳の小領域を特定しました。 次に、放射線特徴が抽出され、定量的かつ要約された形式で MRI が表現されました。 この結果得られたデータセットにより、さらなる生物医学的および統合的なデータ分析が可能になり、NeuroImaging Tools & Resources Collaboratory (NITRC) リポジトリ (https://www.nitrc.org/projects/rembrandt_brain/) を通じて公開されています。

測定

MRIスキャン

テクノロジーの種類

NIFTI 形式のセグメント化されたラベル

サンプルの特徴 - 生物

賢い人

脳腫瘍は、5 年生存率がわずか約 30% である致命的な病気です (www.seer.cancer.gov)。 Global Cancer Observatory https://gco.iarc.fr/ によると、2020 年の時点で脳および中枢神経系 (CNS) のがんの症例は 308,102 件あり1 (139,756 人が女性、168,346 人以上が男性 1) ）。 米国脳腫瘍協会によると、脳腫瘍には 120 を超える種類が確認されており、本質的には非常に多様です (https://braintumor.org/brain-tumor-information/undering-brain-tumors/tumor-types/)この病気は理解と解釈が複雑な病気です。 過去 20 年間に他のがんの治療法が進歩したにもかかわらず、脳腫瘍の治療薬として承認された薬は依然として 5 種類のみであり、GBM 患者の予後の進歩は観察されていません 2。 https://braintumor.org/brain-tumor-information/brain-tumor-facts/。

磁気共鳴画像法 (MRI) やコンピューター断層撮影 (CT) スキャンなどの医用画像技術は、トランスレーショナル イメージング研究でますます使用される新しい技術の 1 つです3。 脳組織環境はその複雑な性質により、トランスレーショナルリサーチの豊かな機会を提供します。 MRI は脳内の異常領域の包括的なビューを提供できるため 4、トランスレーショナル脳腫瘍研究における MRI の応用は、この疾患の診断、モニタリング、管理に不可欠であると考えられています 3。

近年、科学者は医療画像から収集したデータをゲノミクスと統合することができ、この急成長している分野はラジオゲノミクスと呼ばれています5、6、7。 画像データはまず、肉眼で視覚的および視覚的でない抽出測定 (ラジオミクスとも呼ばれる) を通じて、定量的にまとめられた形式に変換されます8。 これらの放射線特徴により、画像表現型のさらなる抽出が可能になり、機械学習 (ML) および人工知能 (AI) ベースのアルゴリズムを使用してゲノミクス データと統合できます。 脳腫瘍研究では新しい治療法を目指して多くの臨床試験が進行中ですが、放射性ゲノミクスアプローチを使用した新しい治療法仮説を開発する機会は数多くあります9。

脳腫瘍データや医療画像関連技術を橋渡し研究に利用する大規模な国家共同研究がいくつかあります。 エンドブレインキャンサー (EBC) https://endbraincancer.org/end-brain-cancer/; 小児脳腫瘍組織コンソーシアム (CBTTC) https://www.chop.edu/clinical-trial/cbttc-collection-protocol; The Children's Brain Tumor Network https://cbtn.org/about-us、The Cancer Imaging Archive (TCIA)10 など。 しかし、マルチオミクスデータと医療画像データの両方を含む国の脳腫瘍プロジェクトはほんの一握りです。 これらには、低悪性度神経膠腫 (LGG) 11、12 および膠芽腫 (GBM) 12、13 を含む 22 種類のがんのマルチオミクス データの大規模なコレクションである The Cancer Genome Atlas (TCGA) が含まれます。 TCGA データ収集からの画像データは、他の研究からの画像データとともに、公的にアクセス可能な TCIA 画像データ リポジトリ https://www.cancerimagingarchive.net/ に保管されています。 米国立がん研究所 (NCI) のがん研究データ コモンズ (CRDC) は、その公開ポータルを通じて、マルチモーダル画像データへのアクセス、視覚化、分析を行うクラウドベースのエコシステムへのアクセスを提供します。 また、研究者はイメージング データを CRDC コレクション https://portal.imaging.datacommons.cancer.gov/ 内の対応するゲノミクスおよびプロテオミクス データに接続することもできます。

オミクスデータと医療画像の両方を含むもう 1 つの取り組みは、NCI と国立神経障害・脳卒中研究所 (NINDS) の共同取り組みである REMBRANDT プロジェクト (分子脳腫瘍データのリポジトリ) です。 このプロジェクトは、566 個の遺伝子発現アレイ、834 個のコピー数アレイ、および 13,472 個の臨床表現型データ ポイントで構成される 874 個の神経膠腫標本から神経膠腫分子診断イニシアチブ (GDMI) を通じて生成された、臨床的に注釈が付けられたデータを含む大規模な脳腫瘍患者由来のデータセットで構成されていました。 2015 年に、マイクロアレイ遺伝子発現、コピー数、臨床データを含む分子データがジョージタウン癌データベース (G-DOC) に移行されました 14,15。 このプロジェクトはジョージタウン大学の私たちのチームによって管理され、このデータセットは 2018 年に Gusev et al.16 という出版物を通じて公開され、データは NCBI Gene Expression Omnibus (GEO) データ リポジトリ GSE10847617 を通じて利用可能になりました。 このレンブラント コレクションの患者のうち、術前の磁気共鳴 (MR) マルチシーケンス画像は 130 人の患者から取得されており、TCIA18 https://wiki.cancerimagingarchive.net/display/Public/REMBRANDT でホストされています。

この論文では、公的に入手可能な REMBRANDT コレクションから生の MRI スキャンを取得し、脳腫瘍 MRI スキャンに特化したよく知られた画像処理パイプラインを通じて処理しました。 ワークフローには、壊死核、浮腫、非造影腫瘍 (NET) および造影腫瘍 (ET)、灰白質 (GM)、白質 (WM)、脳脊髄などの脳のさまざまなサブ領域を特定する MRI の自動容積セグメンテーションが含まれていました。液体（CSF）。 次に、委員会認定の放射線科医が、抽出された放射線特徴も含むセグメント化されたラベルの検証と改良を実行しました。 これにより、さらなる生物医学的および統合的なデータ分析を可能にすることを目的として、MRI スキャンを定量的な形式で表現できるようになりました。

このデータセットは、研究者が放射性ゲノミクスベースの分析を実行し、遺伝子発現と統合し、コピー数データを収集し、新しい発見や仮説を可能にします。 表 1 は、レンブラント脳腫瘍コレクションの概要を示しています。

まず、TCIA 画像アーカイブ 10,20 から、患者ごとに複数のシリーズを含む 130 人の患者全員の術前の生の MRI スキャンを DICOM ファイル形式 21 でダウンロードしました。 委員会認定の放射線科医は、T1 強調、T2 強調、造影後 T1 強調 (T1-C)、および T2 流体など、さまざまなモダリティからの MRI を含むデータセット内のすべてのモダリティの MRI スキャンのラベル付けを実行しました。減衰反転回復 (FLAIR) ボリューム 22.

一部のスキャンには PD モダリティと T2 モダリティが混在しており、DICOM ファイル内のメタデータに基づいて分離する必要がありました。 4 つのモダリティすべて (T1、T2、T1-C、および FLAIR) で利用可能な MRI データを持つ患者のみが次のステップに選択され、72 人の患者のセットが得られました。 図 1 は、同じ脳腫瘍患者からの 4 つのモダリティの例を示しています。

同じ脳腫瘍患者 (患者番号 HF1702) からの 4 つのモダリティ (T1 強調、T2 強調、造影後 T1 強調 (T1-C)、および FLAIR) の例。

次に、これらのスキャンの処理に 2 つの異なるパイプラインを適用しました。このパイプラインは、2 つの一般的な脳腫瘍セグメンテーション ツールで構成されています: (a) 最初のパイプラインは BraTumIA23 ツールを使用し (図 2A)、(b) 2 番目のパイプラインは GLISTRboost24,25 ツールを使用しました。 (図2B)。 特に、GLISTRboost ベースのパイプラインは、International Multimodal Brain Tumor Segmentation Challenge 2015 (BraTS'15)26 でトップランクにランクされており、Expectation-Maximization (EM)27 フレームワークを使用して、脳スキャンのさまざまなサブ領域を自動的にマッピングしながら、生物物理学的成長モデリングによる腫瘍によって引き起こされる脳変形28。 この課題の次点は、機械学習アルゴリズムを使用する BraTumIA ツールでした23。

(A) Bratumia セグメンテーション ツールを使用したセグメンテーション パイプライン。 (B) GLISTRboost セグメンテーション ツールを使用したセグメンテーション パイプライン。

生データをダウンロードしてフォーマットした後、T1 強調、T2 強調、T1-C、FLAIR の 4 つのモダリティで 72 人の患者から MRI スキャンを行うことになりました。 次に、画像はすべての処理ステップを内部で実行する BraTumIA23 ツールへの入力として使用されました。 脳マスクを生成するための最初のステップとして、Insight Toolkit ITK29 を使用して頭蓋骨の剥離が実行され、2 番目のステップで画像が登録され、つまり ITK ツールキットを使用して空間変換され、さまざまな画像のボクセルが互いに対応するようになりました。 。 画像は、共同分類正則化ベースのアルゴリズムを使用して腫瘍画像と健康画像に分割されました。 セグメント化された出力ラベルはメタ イメージ フォーマット (.mha) ファイル形式でした (図 2A)。

委員会認定放射線科医が、予測されたセグメント化されたラベルの検証を実行しました。 BraTumIA パイプラインを使用して取得された脳腫瘍患者のセグメント化されたラベルの例を図 3 に示します。

BraTumIA パイプラインを使用して取得された脳腫瘍患者 (患者番号 HF1708) のセグメント化されたラベル。 これは、4 つのモダリティすべてにわたって MRI スキャンがどのように見えるかを示しています。

生データは、T1 強調、T2 強調、T1-C、FLAIR の 4 つのモダリティで 72 人の患者から MRI スキャンを取得するために、以前のパイプラインと同様の順序でダウンロードおよびクリーニングされました。 次に、いくつかの前処理ステップが適用されました。 MRI スキャンは、すべての画像が同じ Left-Post-Superior (LPS) 座標系 https://www.slicer.org/wiki/Cooperative_systems に変換されるように、最初に再方向付けされました。これは、さまざまなモダリティから得られたデータを比較または統合できます。 次に、貪欲微分同相登録アルゴリズム 31 の CPU ベースの C++ 実装である「Greedy」(github.com/pyushkevich/greedy)30 を使用して、画像を同じ T1 解剖学的テンプレートに同時登録しました。 Greedy は、ITK-SNAP (itksnap.org) セグメンテーション ソフトウェア 32,33 および Cancer Imaging Phenomics Toolkit (CaPTk - www.cbica.upenn.edu/captk)34,35,36,37 に統合されています。 共同登録後、深層学習セグメンテーション アーキテクチャ (つまり U-Net40) に基づいており、新しいフレームワークを使用する脳マスク ジェネレーター (BrainMaGe) を使用して脳抽出 (頭蓋骨剥離とも呼ばれる) が実行されました。脳の形状を事前分布として導入することで、入力 MRI シーケンスに依存しないようにします。 BrainMaGe38,39 は、脳画像から頭蓋骨、頭皮、硬膜などの非脳組織を除去するために使用されました。

その後、放射線科医によってシーディングと呼ばれるステップが実行されました。 播種には、腫瘍領域、すなわち ET、NET、ED を含む脳 MRI のサブ領域の手動タグ付けが含まれます。 白質、灰白質、CSF、血管、小脳などの健康な領域。 シード ポイントには、腫瘍の中心と半径、および脳画像の各サブ領域のサンプル シード ポイントが含まれます。 このシード ステップにより、セグメンテーション アルゴリズムで各組織クラスの強度分布 (平均と分散) を正確にモデル化できるようになりました。 これにより、セグメンテーション ツールは他のセグメンテーション ツールと比べてより高い精度で実行できるようになりました。 このステップは、Cancer Imaging Phenomics Toolkit (CaPTk) ソフトウェア プラットフォーム 34、35、36、37 を使用して実行されました。 このステップの出力には 2 つのテキスト ファイルが含まれています。1 つは腫瘍に関する情報で、もう 1 つは各サブ領域のサンプル ポイントに関する情報です。 これら 2 つのファイルは、パイプラインの次のステップへの入力として使用されました。

これらの手順が完了した後、GLISTRboost24、25 を使用して、自動体積セグメンテーションと位置合わせが実行されました。 セグメント化プロセス中に、低品質で対象範囲が非常に限られている、入力 MRI スキャンの不規則性による信頼性の低い結果などのいくつかの理由により、8 人の患者からの MRI スキャンを除外する必要がありました。 このパイプラインの最後 (図 2B) で、64 人の患者について完全なセグメンテーション結果が得られました。 表 2 は、分析開始前のレンブラント患者コホートの元の 130 人の患者と、セグメント化ステップ完了後の 64 人の患者コホートの概要を示しています。

このパイプラインからの出力ファイルは、NIfTI ファイル https://nifti.nimh.nih.gov の形式でした。 図 4 は、GLISTRboost パイプラインを使用して取得された脳腫瘍患者のセグメント化されたラベルを示しています。

GLISTRboost パイプラインを使用して取得された脳腫瘍患者 (患者番号 HF1538) のセグメント化されたラベル。

当社の認定放射線科医は、BraTumIA アルゴリズムが 1 種類のがん、つまり GBM 患者のセグメント化にのみ有効であることを発見しました。 一方、GLISTRboost パイプラインは、このデータ収集内のすべての脳腫瘍サブタイプに対して、より正確にセグメント化されたラベルを生成しました。 このため、ラジオミクス解析には GLISTRboost パイプラインからセグメント化されたラベルを選択しました。

オープンソースの Python パッケージである Pyradiomics41 を使用して、MRI 脳スキャンのセグメント化されたラベルからラジオミクス特徴を抽出しました。 これには、2 次元および 3 次元の形状、テクスチャ、エネルギーとエントロピー、サイズと共起、グレー トーンの違いなどを含む、医用画像ピクセルに関連するさまざまなプロパティを記述する合計 120 の特徴が含まれていました41。 表 3 は、ピラジオミクスによって特徴付けられるさまざまなクラスの特徴の概要を示しています42。 補足ファイル 1 は、GLISTRboost パイプラインからの REMBRANDT セグメント化ラベルから抽出されたラジオミクス特徴を示しています。

この同じデータセットからの遺伝子発現とコピー数のデータは、2018 年に出版物 Gusev et al.16 を通じて公開され、そのデータは NCBI Gene Expression Omnibus (GEO) データ リポジトリ GSE10847617 で利用できるようになりました。 セグメント化されたラベルの形式の医用画像データは、ラジオミクスからの数値出力とともに、この出版物を通じて公開される予定です。 これにより、研究者は同じ患者セットからの遺伝子発現、コピー数、医療画像データを統合できるようになります。 このようなマルチオミクスに基づく放射線ゲノミクス分析により、新規バイオマーカーの研究開発や精密医療のための治療仮説が可能になります。

この論文で使用されている GLISTRboost セグメンテーション パイプラインは、Bakas et al.12 の論文で実証されているように、TCGA 脳腫瘍 (TCGA-GBM および TCGA-LGG) 患者の MRI スキャンに適用されています。 同じ GLISTRboost セグメンテーション パイプラインが REMBRANDT および TCGA 脳腫瘍 (TCGA-GBM および TCGA-LGG) に適用されたため、メタ分析に使用できるようになりました。 たとえば、オープンソースのラジオミクス PyRadiomics ツールを両方のデータセットで使用して、定量的なラジオミクス出力を取得できます。 これは、これら 2 つのデータ収集をメタ分析アプローチで一緒に使用して、機械学習および AI アプリケーションにより良いサンプル サイズを提供できることを意味します。 これは非常に価値があり、さらなる生物医学的かつ統合的なデータ分析が可能になると私たちは考えています。 REMBRANDT からの PyRadiomics からのラジオミクス出力。 TCGA-GBM および TCGA-LGG コレクションは、それぞれ補足ファイル 1 および補足ファイル 2 としてこの出版物を通じて入手可能です。

もう 1 つのアプリケーションは Federated Tumor Segmentation (FeTS) プラットフォーム 43 です。これにより、データを交換することなく、連携するサイトに存在する脳腫瘍データセットから収集された情報を活用して、特定の機械学習モデルをトレーニングできます。 当社のレンブラント MRI スキャンからのセグメント化されたラベルは、この世界規模のフェデレーション https://www.fets.ai/ の一部であり、発見を加速するために非常に大規模なマルチサイト機械学習モデルを可能にしました。

この出版物では、パブリック ドメインのレンブラント データ コレクションから生の MRI スキャンを取得し、体積セグメンテーションを実行して脳のさまざまなサブ領域を特定しました。 次に、放射線特徴が抽出され、MRI スキャンが数値形式で表現されました。 同じレンブラント データセットからの遺伝子発現とコピー数のデータは、Gusev et al.16 という出版物を通じて 2018 年に公開され、そのデータは NCBI Gene Expression Omnibus (GEO) データ リポジトリ GSE10847617 で利用できるようになりました。 このデータセットにより、研究者は医療画像データだけでなく、ゲノミクスデータや臨床データと組み合わせて使用​​してトランスレーショナルリサーチをさらに進めることができるようになりました。

このデータセットをパブリック リポジトリを通じて研究コミュニティが利用できるようにすることで、生物医学およびデータ サイエンスの研究コミュニティにユニークなデータ サイエンス研究の機会が提供されると私たちは信じています。 このように結合されたデータセットは、これまでに発表されたこの大規模な脳腫瘍研究の臨床転帰 (全生存期間) と併せて、医療画像、遺伝子発現、コピー数の変化からの定量的データの統合分析を行うユニークな機会を研究者に提供します。

当社の認定放射線科医は、BraTumIA アルゴリズムが 1 種類のがん、つまり GBM 患者のセグメント化にのみ有効であることを確認しました。 これは BraTumIA マニュアル (https://www.nitrc.org/projects/bratumia) で言及されていますが、これはがんのサブタイプごとに形態が大きく異なるため、このツールは GBM 患者に対してのみ効果を発揮したという事実によるものです。

放射線科医は、GLISTRboost アルゴリズムが、このデータセット内の脳腫瘍のさまざまなサブタイプ (星状細胞腫、希突起膠腫、GBM) のセグメント化においてより効果的であることを発見しました。 セグメント化されたラベル付き出力ファイルに対して手動による検証と修正が実行されました。 アルゴリズムの参照としてサンプル サブ領域を提供する追加の手動シード ステップを使用することにより、GLISTRboost パイプラインは、このデータセット内の脳腫瘍のさまざまなサブタイプの形態やその他の違いを克服することができました。

この検証と修正は、MRI ビューア ソフトウェア MITK44 https://www.mitk.org/ を使用して実行されました。 図 5 は、手動検証がどのように実行されたかを示すイメージの例を示しています。

例として患者番号 HF1538 を使用して、放射線科医が手動検証を実行した方法の図。

まず、130 人の患者の TCIA 画像アーカイブから術前の生の MRI スキャンをダウンロードしました。 洗浄後、4 つのモダリティからの完全なデータを含む 72 人の患者からの MRI スキャンが、さらなる処理のために選択されました。 2 つのよく知られた脳腫瘍セグメンテーション パイプライン、BraTumIA23 と GLISTRboost24 がクリーン化されたデータセットに適用されました。 GLISTRboost24 アルゴリズムは、International Multimodal Brain Tumor Image Segmentation Challenge 2015 (BraTS'15) で最高位にランクされ、BraTumIA23 アルゴリズムは次点でした。 BraTumIA23 パイプラインと GLISTRboost24 パイプラインの両方を実行した後、BraTumIA23 ツールは 1 種類のがん (GBM 患者) のセグメンテーションにのみ有効であることが判明しました。 GLISTRboost24 パイプラインは、このデータセット内の脳腫瘍のさまざまなサブタイプ (星状細胞腫、希突起膠腫、GBM) のセグメンテーションにおいてより効果的でした。

GLISTRboost24 パイプラインからのセグメント化されたラベルは、放射線科医が行った手動補正とともに、NeuroImaging Tools & Resources Collaboratory (NITRC) リポジトリを通じて公開されています19。 この同じデータセットからの遺伝子発現とコピー数のデータは、2018 年に出版物 Gusev et al.16 を通じて公開され、そのデータは NCBI Gene Expression Omnibus (GEO) データ リポジトリ GSE10847617 で利用できるようになりました。 表 3 は、レンブラント脳腫瘍コレクションの概要を示しています。

Madhavan45 ら。 レンブラントのポータルとデータセットについて最初に説明した出版物は、数多くの分析を可能にし、これまでに 366 回引用されています (2022 年 1 月現在)。 REMBRANDT データセットの遺伝子発現およびコピー数データは、Gusev et al.16 という出版物を通じて 2018 年に公開され、そのデータは NCBI Gene Expression Omnibus (GEO) データ リポジトリ GSE10847617 で利用できるようになり、これまでに 69 回引用されています ( 2022年1月現在）。

この出版物では、レンブラントのデータ収集から生の MRI スキャンを取得し、体積セグメンテーションを実行して脳のさまざまな部分領域を特定しました。 次に、放射線特徴が抽出され、MRI スキャンが定量的な形式で表現されました。 このデータセットにより、研究者は同じ患者セットからの遺伝子発現、コピー数、医療画像データを統合できるようになりました。 このようなマルチオミクスに基づく放射線ゲノミクス分析により、新規バイオマーカーの研究開発や精密医療のための治療仮説が可能になります。

この原稿で適用された GLISTRboost セグメンテーション パイプラインは、以前に Bakas et al.12 の出版物で TCGA 脳腫瘍 (TCGA-GBM および TCGA-LGG) 患者の MRI スキャンに適用されました。 REMBRANDT と TCGA の両方の脳腫瘍コレクションからの画像データが同じセグメンテーション パイプラインで処理されたため、2 つのデータセットをメタ分析研究で組み合わせて使用​​できるようになりました。 たとえば、TCGA 脳腫瘍データセットはトレーニング セットとして使用でき、REMBRADNT データセットはそのような分析で独立したテスト セットとして使用できます。 別の例: オープンソースのラジオミクス ツール PyRadiomics を両方のデータセットに適用して、定量的なラジオミクス出力を取得できます。 このようなメタ分析アプローチにより、機械学習および AI アプリケーションに適したサンプル サイズを提供できます。 これは非常に価値があり、さらなる生物医学的かつ統合的なデータ分析が可能になると私たちは考えています。 REMBRANDT からの PyRadiomics からのラジオミクス出力。 TCGA-GBM および TCGA-LGG コレクションは、それぞれ補足ファイル 1 および補足ファイル 2 としてこの出版物を通じて入手可能です。

もう 1 つのアプリケーションは Federated Tumor Segmentation (FeTS) プラットフォーム 43 です。これにより、データを交換することなく、連携するサイトに存在する脳腫瘍データセットから収集された情報を活用して、特定の機械学習モデルをトレーニングできます 43。 当社のレンブラント MRI スキャンからのセグメント化されたラベルは、この世界規模の連合 https://www.fets.ai/ の一部です。 このような連携モデルにより、発見を加速し、新しい高度な機械学習モデルを構築するために、非常に大規模なマルチサイト機械学習モデルが可能になりました。

要約すると、このデータセットをパブリック リポジトリを通じて研究コミュニティが利用できるようにすることで、生物医学およびデータ サイエンスの研究コミュニティにユニークなデータ サイエンス研究の機会が提供されると考えています。 このように組み合わされたデータセットは、この大規模な脳腫瘍研究における臨床転帰 (全生存率) とともに、医療画像、遺伝子発現、およびコピー数の変化からの数値データの統合分析を行うユニークな機会を研究者に提供します。

この原稿で生成され、NITRC 経由で公開されたセグメント化された医療画像は頭蓋骨が除去されているため、個人を特定できる情報は含まれていません。

このペーパーで適用される方法とツールは、Bakas et al.12 の各出版物で詳しく説明されているオープンソース ツールを使用します。 レンブラントおよび TCGA セグメント化データ (それぞれ補足ファイル 1 および 2) から PyRadiomics 特徴を抽出するための Python コードがここに提供されます。 https://github.com/ICBI/rembrandt-mri。

この論文の訂正が公開されました: https://doi.org/10.1038/s41597-022-01518-9

カザエイ、Z.ら。 脳腫瘍の発生率と死亡率と人間開発指数 (HDI) との関連性: 生態学的研究。 BMC 公衆衛生 20、1696、https://doi.org/10.1186/s12889-020-09838-4 (2020)。

記事 PubMed PubMed Central Google Scholar

Tracy Batchelor, RN、Tarbell, N. & Weller, M. Oxford Textbook of Neuro-Oncology、https://doi.org/10.1093/med/9780199651870.001.0001 (Oxford University Press、2017)。

Vadmal、V. et al. MRI 画像解析の方法と応用: 脳腫瘍を例としたアルゴリズムの視点。 Neurooncol Adv 2、vdaa049、https://doi.org/10.1093/noajnl/vdaa049 (2020)。

記事 PubMed PubMed Central Google Scholar

Shukla、G. et al. 神経膠芽腫における高度な磁気共鳴画像法: レビュー。 Chin Clin Oncol 6、40、https://doi.org/10.21037/cco.2017.06.28 (2017)。

論文 PubMed Google Scholar

Fathi Kazerooni , A. 、Bakas , S. 、Saligheh Rad , H. & Davatzikos , C. 神経膠芽腫の分子特性の画像化サイン: ラジオゲノミクスのレビュー。 J Magn Reson Imaging 52、54–69。

論文 PubMed Google Scholar

バインダー、ZA et al. 神経膠芽腫における上皮成長因子受容体の細胞外ドメイン変異は、臨床画像化と治療開発の機会を提供します。 Cancer Cell 34、163–177 e7、https://doi.org/10.1016/j.ccell.2018.06.006 (2018)。

論文 CAS PubMed PubMed Central Google Scholar

Bakas, S. et al. 深部腫瘍周囲浸潤と一致する灌流磁気共鳴画像法による膠芽腫における EGFRvIII の in vivo 検出: phi-Index。 Clin Cancer Res 23、4724–4734、https://doi.org/10.1158/1078-0432.CCR-16-1871 (2017)。

論文 CAS PubMed PubMed Central Google Scholar

Zwanenburg, A. et al. 画像バイオマーカー標準化イニシアチブ: ハイスループットの画像ベースの表現型解析のための標準化された定量的ラジオミクス。 放射線学 295、328–338、https://doi.org/10.1148/radiol.2020191145 (2020)。

論文 PubMed Google Scholar

Rathore, S. et al. 神経癌イメージングフェノミクスツールキット (neuro-CaPTk) を使用した、神経膠腫における IDH、1p/19q、および EGFRvIII の多施設非侵襲的 in vivo 特性評価。 Neurooncol Adv 2、iv22-iv34、https://doi.org/10.1093/noajnl/vdaa128 (2020)。

論文 PubMed Google Scholar

クラーク、Ｋ．ら。 Cancer Imaging Archive (TCIA): 公開情報リポジトリの維持および運営。 J Digit Imaging 26、1045–57、https://doi.org/10.1007/s10278-013-9622-7 (2013)。

記事 PubMed PubMed Central Google Scholar

ペダノ、N.ら。 The Cancer Genome Atlas Low Grade Glioma [TCGA-LGG] コレクションからの放射線学データ。 がん画像アーカイブ https://doi.org/10.7937/K9/TCIA.2016.L4LTD3TK (2016)。

Bakas, S. et al. Advancing The Cancer Genome Atlas 専門的なセグメンテーションラベルと放射線特徴を備えた神経膠腫 MRI コレクション。 Sci Data 4、170117、https://doi.org/10.1038/sdata.2017.117 (2017)。

記事 PubMed PubMed Central Google Scholar

Scarpace, L. et al. The Cancer Genome Atlas Multiforme Glioblastoma [TCGA-GBM] コレクションからの放射線学データ [データセット]。 がん画像アーカイブ https://doi.org/10.7937/K9/TCIA.2016.RNYFUYE9 (2016)。

マダヴァン、S.ら。 G-DOC: 個別化された腫瘍学のためのシステム医療プラットフォーム。 Neoplasia 13、771–83、https://doi.org/10.1593/neo.11806 (2011)。

記事 PubMed PubMed Central Google Scholar

Bhuvaneshwar, K. et al. G-DOC Plus - 精密医療のための統合バイオインフォマティクス プラットフォーム。 BMC バイオインフォマティクス 17、193、https://doi.org/10.1186/s12859-016-1010-0 (2016)。

論文 CAS PubMed PubMed Central Google Scholar

グセフ、Y.ら。 REMBRANDT 研究は、脳腫瘍患者からのゲノムデータの大規模なコレクションです。 Sci Data 5、180158、https://doi.org/10.1038/sdata.2018.158 (2018)。

論文 CAS PubMed PubMed Central Google Scholar

グセフ、Y.ら。 REMBRANDT 研究 – 脳腫瘍患者からのゲノム データの大規模なコレクション (GSE108476)。 https://identifiers.org/geo:GSE108476 (2018)

Scarpace, L.、Flanders, AE、Jain, R.、Mikkelsen, T. & Andrews, DW データは REMBRANDT から [データ セット]。 がん画像アーカイブ https://doi.org/10.7937/K9/TCIA.2015.588OZUZB (2019)。

サヤ、A. et al. レンブラント脳腫瘍 MRI 画像コレクションのセグメンテーション ラベル。 NITRC https://doi.org/10.25790/bml0cm.87 (2021)。

Edgar, R.、Domrachev, M. & Lash, AE 遺伝子発現オムニバス: NCBI 遺伝子発現およびハイブリダイゼーション アレイ データ リポジトリ。 核酸研究 30、207–10、https://doi.org/10.1093/nar/30.1.207 (2002)。

論文 CAS PubMed PubMed Central Google Scholar

カーン、CE ジュニア、カリーノ、JA、フリン、MJ、ペック、DJ、堀井、SC DICOM、放射線学: 過去、現在、未来。 J Am Coll Radiol 4、652–7、https://doi.org/10.1016/j.jacr.2007.06.004 (2007)。

論文 PubMed Google Scholar

Currie, S.、Hoggard, N.、Craven, IJ、Hadjivassiliou, M. & Wilkinson, ID MRI の理解: 医師のための基本的な MR 物理学。 Postgrad Med J 89、209–23、https://doi.org/10.1136/postgradmedj-2012-131342 (2013)。

論文 PubMed Google Scholar

Abu Khalaf, N.、Desjardins, A.、Vredenburgh, JJ & Barbariak, DP 再発性膠芽腫患者における BraTumIA による自動画像セグメンテーションの再現性。 AJNR Am J Neuroradiol 42、1080–1086、https://doi.org/10.3174/ajnr.A7071 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Bakas, S. et al. GLISTRboost: マルチモーダル MRI セグメンテーション、レジストレーション、および生物物理学的腫瘍増殖モデリングと、神経膠腫セグメンテーション用のグラジエント ブースティング マシンを組み合わせます。 Brainlesion 9556、144–155、https://doi.org/10.1007/978-3-319-30858-6_1 (2016)。

記事 PubMed PubMed Central Google Scholar

Zeng, K. et al. ハイブリッド生成識別フレームワークに基づく、術前および術後のマルチモーダル磁気共鳴イメージング ボリュームにおける神経膠腫のセグメンテーション。 Brainlesion 10154、184–194、https://doi.org/10.1007/978-3-319-55524-9_18 (2016)。

論文 PubMed Google Scholar

メンゼ、BH et al. マルチモーダル脳腫瘍画像セグメンテーション ベンチマーク (BRATS)。 IEEE Trans Med Imaging 34、1993–2024、https://doi.org/10.1109/TMI.2014.2377694 (2015)。

論文 PubMed Google Scholar

Moon、TK 期待値最大化アルゴリズム。 13 (1996)。

Mang, A.、Bakas, S.、Subramanian, S.、Davatzikos, C. & Biros, G. 統合された生物物理モデリングと画像解析: 神経腫瘍学への応用。 Annu Rev Biomed Eng 22、309–341、https://doi.org/10.1146/annurev-bioeng-062117-121105 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

Bauer, S.、Fejes, T.、Reyes, M. ITK 用のスカルストリッピング フィルター。 インサイトジャーナル (2012)。

ペンシルバニア州ユシュケビッチら。 3 テスルおよび 7 テスラの T2 強調 MRI における海馬サブフィールドと内側側頭葉サブ領域の高速自動セグメンテーション。 アルツハイマー病と認知症: アルツハイマー病協会ジャーナル 12、P126–P127 (2016)。

記事 Google Scholar

Joshi, S.、Davis, B.、Jomier, M. & Gerig, G. 計算解剖学のための不偏微分同相アトラス構築。 Neuroimage 23(補足 1)、S151–60、https://doi.org/10.1016/j.neuroimage.2004.07.068 (2004)。

論文 PubMed Google Scholar

ペンシルバニア州ユシュケビッチら。 ユーザーガイドによる解剖学的構造の 3D アクティブ輪郭セグメンテーション: 効率と信頼性が大幅に向上しました。 NeuroImage 31、1116–1128 (2006)。

記事 Google Scholar

ペンシルバニア州ユシュケビッチら。 ITK-SNAP を使用したマルチモダリティ医療画像データセットのユーザーガイド付きセグメンテーション。 ニューロインフォマティクス 17、83–102 (2019)。

記事 Google Scholar

Davatzikos、C. et al. がんイメージングフェノミクスツールキット: 高精度の診断と臨床転帰の予測モデリングのための定量的イメージング分析。 J Med Imaging (ベリンガム) 5、011018、https://doi.org/10.1117/1.JMI.5.1.011018 (2018)。

記事 Google Scholar

ファティ・カゼロニ、A. 他 CaPTk によるがんイメージングフェノミクス: 膠芽腫における無増悪生存期間と再発パターンの多施設予測。 JCO Clin Cancer Inform 4、234–244、https://doi.org/10.1200/CCI.19.00121 (2020)。

論文 PubMed Google Scholar

パティ、S.ら。 Cancer Imaging Phenomics Toolkit (CaPTk): 技術概要。 Brainlesion 11993、380–394、https://doi.org/10.1007/978-3-030-46643-5_38 (2020)。

記事 PubMed PubMed Central Google Scholar

Saima Rathore、SB 他 Brain Cancer Imaging Phenomics Toolkit (brain-CaPTk): 膠芽腫の定量分析のための対話型プラットフォーム。 国際MICCAI脳障害ワークショップにて（2018年）

Thakur, S. et al. びまん性神経膠腫の存在下での MRI スキャンでの脳抽出: 深層学習手法と堅牢なモダリティに依存しないトレーニングの多施設のパフォーマンス評価。 Neuroimage 220、117081、https://doi.org/10.1016/j.neuroimage.2020.117081 (2020)。

論文 PubMed Google Scholar

Thakur、SP et al. 3D ディープラーニングを使用した神経膠芽腫 MRI スキャンの頭蓋骨剥離。 Brainlesion 11992、57–68、https://doi.org/10.1007/978-3-030-46640-4_6 (2019)。

論文 PubMed Google Scholar

Ronneberger, O.、Fischer, P.、Brox, T. U-net: 生物医学画像セグメンテーションのための畳み込みネットワーク。 医用画像コンピューティングおよびコンピュータ支援介入に関する国際会議 234–241 (Springer、2015)。

ファン・グリートハイセン、JJM 他放射線写真の表現型を解読する計算ラジオミクス システム。 Cancer Res 77、e104–e107、https://doi.org/10.1158/0008-5472.CAN-17-0339 (2017)。

論文 CAS PubMed PubMed Central Google Scholar

ピラジオミクス。 放射性の特徴。 https://pyradiomics.readthedocs.io/en/latest/features.html。 (2016)

シェラー、MJ 他医学におけるフェデレーテッド ラーニング: 患者データを共有せずに多施設のコラボレーションを促進します。 Sci Rep 10、12598、https://doi.org/10.1038/s41598-020-69250-1 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ノルデン、M.ら。 Medical Imaging Interaction Toolkit: 課題と進歩: 10 年間にわたるオープンソース開発。 Int J Comput Assist Radiol Surg 8、607–20、https://doi.org/10.1007/s11548-013-0840-8 (2013)。

論文 PubMed Google Scholar

マダヴァン、S.ら。 レンブラント: 統合トランスレーショナルリサーチを通じて個別化医療の実現を支援します。 Mol Cancer Res 7、157–67、https://doi.org/10.1158/1541-7786.MCR-08-0435 (2009)。

論文 CAS PubMed PubMed Central Google Scholar

リファレンスをダウンロードする

この研究は、ロンバルディがんセンター支援助成金 (NCI P30 CA51008) によって部分的に資金提供され、国立衛生研究所 (NIH) の国立がん研究所 (NCI) および国立神経障害・脳卒中研究所 (NINDS) によって部分的に支援されました。 、受賞番号NCI: U01CA242871、NCI: U24CA189523、およびNINDS: R01NS042645。 この出版物の内容は著者のみの責任であり、NIH の公式見解を表すものではありません。

Anousheh Sayah、Camelia Bencheqroun などの著者も同様に貢献しました。

メドスター ジョージタウン大学病院、ワシントン DC、米国

アヌーシェ・サヤ

生物医学情報イノベーションセンター (ICBI)、ジョージタウン大学、ワシントン DC、米国

カメリア・ベンチクローン、クリティカ・ブバネシュワル、アナス・ベルアリ、アディル・アラウイ、スバ・マダヴァン、ユーリー・グセフ

米国ペンシルバニア州フィラデルフィア、ペンシルバニア大学生物医学画像コンピューティングおよび分析センター (CBICA)

スピリドン・バカス、迫千春、クリストス・ダヴァツィコス

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

AS: 委員会認定放射線科医の専門知識。MRI スキャンのラベル付け、シーディング、すべてのセグメンテーション結果の手動検証を実行しました。 CB: データ クリーニング、Bratumia セグメンテーション分析、機械学習データ分析を実行しました。 KB: プロジェクト マネージャー、データ マネージャー、執筆、編集。 AB: プロジェクト設計、機械学習チーム リード、機械学習データ分析。 SB、CS、CD: データの初期化/前処理、GLISTRboost セグメンテーション分析の実行。 AA: プロジェクトの管理と財務。 SM: マイクロアレイおよびコピー番号データの所有者。 YG: バイオインフォマティクスの上級専門家、概念化とプロジェクト設計、PI、執筆と編集。 著者全員が原稿のレビューに参加しました。

Krithika BhuvaneshwarまたはYuriy Gusevへの通信。

Subha Madhavan は現在、米国メリーランド州ゲイサーズバーグのアストラゼネカに勤務しており、少数株主です。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Sayah、A.、Bencheqroun、C.、Bhuvaneshwar、K. 他専門家によるセグメンテーションラベルと定量的な放射線特徴により、レンブラント MRI コレクションを強化します。 Sci Data 9、338 (2022)。 https://doi.org/10.1038/s41597-022-01415-1

引用をダウンロード

受信日: 2021 年 10 月 12 日

受理日: 2022 年 5 月 24 日

公開日: 2022 年 6 月 14 日

DOI: https://doi.org/10.1038/s41597-022-01415-1

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供