定量的画像機能エンジン（QIFE）：体積医療画像からの3D定量的特徴抽出用のオープンソース、モジュラーエンジン

この研究の目的は、3D Radiomics機能のためのオープンソース、モジュラー、ローカル実行、またはサーバーベースのシステムを開発することでした。生存などの臨床データ。QIFEは、マルチプロセッサシステムで使用するために、さまざまなレベルの並列化を活用しています。これは、管理フレームワークと、入力、前処理、機能計算、および出力の4つの段階で構成されています。各段階には、1つ以上の交換可能なコンポーネントが含まれており、実行時間のカスタマイズが可能になります。108個の肺腫瘍を提示するCTスキャンのコホートで、さまざまなレベルの並列化を使用してエンジンをベンチマークしました。QIFEの2つのバージョンがリリースされました。（1）Githubに投稿されたオープンソースMATLABコード、（2）DockerHubに投稿されたDockerコンテナにロードされたコンパイルされたバージョン。QIFEは、1コアを使用して2:12（h/mm）で108オブジェクト（腫瘍）を処理し、オブジェクトレベルの並列化を備えた4つのコアを使用して1:04（h/mm）時間を処理しました。モジュール性、標準、並列性、出所、統合に焦点を当てたオープンソース機能抽出フレームワークである定量的画像機能エンジン（QIFE）を開発しました。研究者は、既存のインターフェイスを実装する入力コンポーネントと出力コンポーネントを作成することにより、既存のセグメンテーションおよびイメージングワークフローと簡単に統合できます。計算効率は、メモリの使用コストで実行を並列化することで改善できます。異なる並列化レベルは異なるトレードオフを提供し、最適な設定は処理されるデータセットのサイズと構成に依存します。

The aim of this study was to develop an open-source, modular, locally run or server-based system for 3D radiomics feature computation that can be used on any computer system and included in existing workflows for understanding associations and building predictive models between image features and clinical data, such as survival. The QIFE exploits various levels of parallelization for use on multiprocessor systems. It consists of a managing framework and four stages: input, pre-processing, feature computation, and output. Each stage contains one or more swappable components, allowing run-time customization. We benchmarked the engine using various levels of parallelization on a cohort of CT scans presenting 108 lung tumors. Two versions of the QIFE have been released: (1) the open-source MATLAB code posted to Github, (2) a compiled version loaded in a Docker container, posted to DockerHub, which can be easily deployed on any computer. The QIFE processed 108 objects (tumors) in 2:12 (h/mm) using 1 core, and 1:04 (h/mm) hours using four cores with object-level parallelization. We developed the Quantitative Image Feature Engine (QIFE), an open-source feature-extraction framework that focuses on modularity, standards, parallelism, provenance, and integration. Researchers can easily integrate it with their existing segmentation and imaging workflows by creating input and output components that implement their existing interfaces. Computational efficiency can be improved by parallelizing execution at the cost of memory usage. Different parallelization levels provide different trade-offs, and the optimal setting will depend on the size and composition of the dataset to be processed.