テクニカルノート: オントロジーに基づくラジオミクス解析ワークフロー (O-RAW)

目的：放射性は、医療画像からの腫瘍特徴の抽出を自動化するプロセスです。これは、腫瘍の表現型を定量化し、治療反応を予測する可能性を示しています。ラジオミクスの研究と臨床採用の3つの主要な課題は次のとおりです。（a）ラジオミクス分析のための標準化された方法論の欠如、（b）意味的に同等の特徴を示す普遍的な辞書、および（c）特徴値だけのリストだけではありませんそれにもかかわらず、特徴値（画像の正規化または補間パラメーターなど）に強く影響する可能性のある機能抽出の詳細を十分にキャプチャします。これらの障壁は、微妙に異なるイメージングプロトコル、前処理ステップ、および放射型ソフトウェアを適用する多施設検証研究を妨げます。上記の課題に次の方法で対処するために、オープンソースのオントロジー誘導ラジオミクス分析ワークフロー（O-RAW）を提案します。一般的な使用法の機能を独自に説明し、（c）放射性機能を公開するためのメソッドを提供する方法を提供します。 方法：O-RAWはPythonで開発され、オープンソースコンポーネントライブラリ（Pyradiomics ExtensionとPyradiomics）を使用して3つの主要なモジュールがあります。第一に、Pyradiomics拡張は標準のDICOM-RT（放射線療法）入力オブジェクト（つまり、DICOMシリーズとRTStructファイル）を使用し、それらをVoxel Intensityの配列と対象体積（VOI）に対応するバイナリマスクの配列として解析します。次に、これらの配列はピラジオミクスに渡され、特徴抽出手順を実行し、Python辞書オブジェクトを返します。最後に、Pyradiomics Extensionは、この辞書を、放射線腫瘍学のオントロジーおよび放射線オントロジーから描かれた関連するセマンティックメタラベルを、W3C準拠のセマンティックWeb「トリプルストア」（つまり、主題対象とオブジェクトのステートメントのリスト）として解析します。出力はSPARQLエンドポイントで公開でき、さらに分析するためにSPARQLクエリまたはコンマ分離ファイルを介してリモートで調べることができます。 結果：O-RAWは、異なるモダリティ、ライダー（CT）、MMD（CT）、Cross（PET）、Thunder（MR）の4つのデータセットで効率的に実行されることを示しました。このテストは、Windows 7オペレーティングシステムと8GB RAMを実行しているHPラップトップで実行され、DICOM画像や関連RTStructマッチング、単一のVOIのバイナリマスク変換、特徴抽出のバッチ処理（Pyradiomicsの105基本機能などの実行時間が記録されました。）、およびリソース説明フレームワーク（RDF）オブジェクトへの変換。結果は（ライダー）407.3、（MMD）123.5、（Cross）513.2、および（Thunder）128.9 sでした。さらに、パブリックリポジトリから画像を取得し、www.radiomics.orgのこの調査ではラジオミクスの結果を公開したものとして公開するユースケースを実証しました。最後に、ユーザーがRadiomic機能をクエリにクエリする方法を示し、単純なSPARQLクエリを介してO-RAWによって作成されたRDFグラフオブジェクトに基づいて計算の詳細を追跡する方法を示す実用的なインスタンスを提供しました。 結論：公正な放射性分析のためにO-RAWを実装し、DICOM-RTオブジェクトからセマンティックWebトリプルとしてラジオミック機能を成功裏に公開しました。その実用性と柔軟性は、放射性の研究の開発を大幅に増加させ、臨床診療への移行を容易にすることができます。

PURPOSE: Radiomics is the process to automate tumor feature extraction from medical images. This has shown potential for quantifying the tumor phenotype and predicting treatment response. The three major challenges of radiomics research and clinical adoption are: (a) lack of standardized methodology for radiomics analyses, (b) lack of a universal lexicon to denote features that are semantically equivalent, and (c) lists of feature values alone do not sufficiently capture the details of feature extraction that might nonetheless strongly affect feature values (e.g. image normalization or interpolation parameters). These barriers hamper multicenter validation studies applying subtly different imaging protocols, preprocessing steps and radiomics software. We propose an open-source ontology-guided radiomics analysis workflow (O-RAW) to address the above challenges in the following manner: (a) distributing a free and open-source software package for radiomics analysis, (b) deploying a standard lexicon to uniquely describe features in common usage and (c) provide methods to publish radiomic features as a semantically interoperable data graph object complying to FAIR (findable accessible interoperable reusable) data principles. METHODS: O-RAW was developed in Python, and has three major modules using open-source component libraries (PyRadiomics Extension and PyRadiomics). First, PyRadiomics Extension takes standard DICOM-RT (Radiotherapy) input objects (i.e. a DICOM series and an RTSTRUCT file) and parses them as arrays of voxel intensities and a binary mask corresponding to a volume of interest (VOI). Next, these arrays are passed into PyRadiomics, which performs the feature extraction procedure and returns a Python dictionary object. Lastly, PyRadiomics Extension parses this dictionary as a W3C-compliant Semantic Web "triple store" (i.e., list of subject-predicate-object statements) with relevant semantic meta-labels drawn from the radiation oncology ontology and radiomics ontology. The output can be published on an SPARQL endpoint, and can be remotely examined via SPARQL queries or to a comma separated file for further analysis. RESULTS: We showed that O-RAW executed efficiently on four datasets with different modalities, RIDER (CT), MMD (CT), CROSS (PET) and THUNDER (MR). The test was performed on an HP laptop running Windows 7 operating system and 8GB RAM on which we noted execution time including DICOM images and associated RTSTRUCT matching, binary mask conversion of a single VOI, batch-processing of feature extraction (105 basic features in PyRadiomics), and the conversion to an resource description framework (RDF) object. The results were (RIDER) 407.3, (MMD) 123.5, (CROSS) 513.2 and (THUNDER) 128.9 s for a single VOI. In addition, we demonstrated a use case, taking images from a public repository and publishing the radiomics results as FAIR data in this study on www.radiomics.org. Finally, we provided a practical instance to show how a user could query radiomic features and track the calculation details based on the RDF graph object created by O-RAW via a simple SPARQL query. CONCLUSIONS: We implemented O-RAW for FAIR radiomics analysis, and successfully published radiomic features from DICOM-RT objects as semantic web triples. Its practicability and flexibility can greatly increase the development of radiomics research and ease transfer to clinical practice.