Rachel Ger wird von Rosalie B. Hite Graduate Fellowship und American Legion Auxiliary Stipendium finanziert. Carlos Cardenas wurde durch die George M. Stancel PhD Fellowship in den biomedizinischen Wissenschaften finanziert. Die Entwicklung der IBEX wurde durch das NCI (R03 CA178495) finanziert.

1. installieren Sie Steinbock
Hinweis: Installieren eine Quellcode Version gehen Sie zu Schritt 1.1. Alternativ installieren eine Stand-alone-Version gehen Sie zu Schritt 1.2.
<ol><li>
Quellcode version
	<ol>
<li>Gehen Sie die IBEX-Quellcode Version Website3. Laden Sie die Dateien "IBEX_Source.zip" und "How_to_use.pdf". Suchen Sie in der Datei "How_to_use.pdf", die Voraussetzungen, verwenden Sie die neueste Version von Steinbock zu finden. Hinweis: IBEX funktioniert nur auf 32-Bit und 64-Bit-Versionen von Matlab 2011a und 2014b, beziehungsweise.</li>
		<li>Sobald der Download abgeschlossen ist, entpacken Sie die "IBEX_Source.zip" und fügen Sie den \IBEX_Source-Ordner auf der lokalen Pfad. Hinweis: Anweisungen zum Hinzufügen eines Pfads finden Sie auf unserer Software-Referenzen-Seite für "Pfad hinzufügen"26.</li>
		<li>Geben Sie "IBEXMain" in das Befehlsfenster IBEX beginnen.</li>
	</ol>
</li>
	<li>
Stand-alone-version
	<ol>
<li>Fahren Sie mit dem IBEX Einzelplatzversion Webseite4. Wenn STEINBÖCKE zum ersten Mal installieren, öffnen Sie den Ordner "Abhängigkeiten" und herunterladen/installieren "MCRInstaller.exe," vc2005redist_x86_new.exe, "und"vc2012redist_x86.exe"-Dateien. Von der Hauptseite download der "IBEX.exe," "IBEX.ctf", "IBEX.ini" und "How_to_use.pdf" Dateien in denselben Ordner. Suchen Sie in der Datei "How_to_use.pdf" für die Voraussetzungen, die neueste Version von Steinbock zu verwenden.</li>
		<li>Doppelklicken Sie "IBEX.exe" um STEINBÖCKE zu starten.</li>
	</ol>
</li>
</ol>2. Legen Sie den Speicherort
Hinweis: Die Bilder werden in dieser bestimmten Stelle importiert und die Daten für diese Studie werden auch hier gespeichert. IBEX verwendet die zuvor angewendeten Lage als Standardspeicherort wenn wieder ins Leben gerufen.
<ol><li>Klicken Sie auf das Symbol "Speicherort" (Abbildung 1).</li>
	<li>Wählen Sie Benutzer oder doppelklicken Sie auf "Neuer Benutzer" um einen neuen Benutzerordner erstellen. Wenn Sie einen neuen Benutzerordner erstellen, geben Sie den Namen in dem neuen Fenster klicken Sie auf die Schaltfläche "OK".</li>
	<li>Wählen Sie den Standort innerhalb der ausgewählten Benutzer oder doppelklicken Sie auf "Neue Website" um eine neue Site-Ordner zu erstellen. Wenn Sie einen neuen Benutzerordner erstellen, geben Sie den Namen in dem neuen Fenster klicken Sie auf die Schaltfläche "OK".</li>
	<li>Klicken Sie unten auf "OK".</li>
</ol>3. importieren Sie Bilder
<ol><li>Klicken Sie auf das Symbol "Importieren" (Abbildung 1).</li>
	<li>Wählen Sie DICOM oder Pinnacle9 (Pinnacle Dateiversion 9) Format durch Klick auf den Namen des Formats. Importieren Sie DICOM zum Bilder Schritt 3.3.1. Pinnacle9 importieren gehen Dateien zu Schritt 3.3.2.</li>
	<li>Klicken Sie auf die Schaltfläche "Weiter".<ol>
<li>Import von DICOM-Bildern Hinweis: Zum Importieren zum Patienten individuell Schritt 3.3.1.1. Importieren Sie zum mehrere Patienten gleichzeitig Schritt 3.3.1.2.<ol>
<li>Importieren Sie jeden Patienten individuell durch den Patienten Ordner über das Verzeichnis auswählen.<ol>
<li>Klicken Sie auf die Schaltfläche "..." neben dem genannten Verzeichnis den Patienten Ordner auswählen, der die DICOM-Bilder enthält, und Strahlung Struktur legen Sie DICOM-Datei (optional). Hinweis: Zwar nur optional zu eine Struktur mit den Patienten-Dateien zu importieren, ist es dringend empfohlen, dies zu tun. IBEX hat eine Konturierung Plattform darin, aber das ist etwas unpraktisch für große Datasets. IBEX bietet Platz für Struktur-Sets von kommerziellen Software-Plattformen, die Konturierung Werkzeuge für Onkologen, kennen, die den Workflow erleichtert. Dies ist in der Regel, wie STEINBÖCKE in Studien verwendet wird.</li>
				<li>Klicken Sie auf die Schaltfläche "Importieren" auf der unteren linken sobald IBEX beendet hat, suchen die DICOM-Dateien, die Patienten und Details-Boxen werden aufgefüllt.</li>
				<li>Wiederholen Sie die Schritte 3.3.1.1.1 - 2 für jeden Patienten.</li>
				<li>Klicken Sie auf die Schaltfläche "Beenden", nachdem alle Patienten importiert wurden.</li>
			</ol>
</li>
			<li>Importieren Sie alle Patienten auf einmal durch Anklicken des Kästchens "Batch Ordner" in der oberen rechten Ecke. Hinweis: Alle Patienten müssen einen separaten Ordner, die ihre jeweiligen DICOM-Dateien enthalten.<ol>
<li>Klicken Sie auf die Schaltfläche "..." neben dem angegebenen Verzeichnis, den Ordner auswählen, der alle Patienten Ordner mit ihren entsprechenden DICOM-Bilder enthält und Strahlung Struktur legen Sie DICOM-Datei (optional).</li>
				<li>Klicken Sie auf die Schaltfläche "Importieren". Patienten werden nacheinander importiert. Klicken Sie auf die Schaltfläche "Beenden", nachdem alle Patienten importiert wurden.</li>
			</ol>
</li>
		</ol>
</li>
		<li>Pinnacle-Dateien<ol>
<li>Konfigurieren Sie den Pinnacle-Host und die Datenbank innerhalb der Datei "\IBEX\ImportExport\ImportModule\Pinnacle9\Pinnacle9ImportMain.INI". Klicken Sie auf "Config" vor dem Höhepunkt im Feld Import Modul auswählen.</li>
			<li>Wählen Sie die richtige Pinnacle Host und Datenbank.</li>
			<li>Der Patient MRN, Nachname oder Vorname eingeben und klicken Sie dann an anderer Stelle in das Fenster.</li>
			<li>Klicken Sie auf die Schaltfläche "Abfrage".</li>
			<li>Wählen Sie den Patienten in dem neuen Fenster dann klicken Sie auf "Transfer".</li>
			<li>Der gewünschte Bild-Sets aus, dass Patienten in dem neuen Fenster das Kontrollkästchen Sie und klicken Sie auf "OK".</li>
			<li>Klicken Sie auf "OK", in dem neuen Fenster mit der Bezeichnung "Daten erfolgreich importiert."</li>
			<li>Klicken Sie auf die Schaltfläche "Beenden", nachdem alle Patienten importiert wurden.</li>
		</ol>
</li>
	</ol>
</li>
</ol>(4) Anzeigen von Bildern und Regions of Interest (ROI)
<ol><li>Klicken Sie auf das Symbol "Daten" (Abbildung 1). Klicken Sie auf die gewünschte Patientenakte, im Abschnitt "Wählen Sie einen Patienten" der GUI (obere Hälfte) zu öffnen.</li>
	<li>Klicken Sie auf das Bild Set der gewünschten Patientenakte, im Abschnitt "Wählen Sie Bild Komplettinstallation" der GUI zu öffnen (untere Hälfte). Klicken Sie auf die Schaltfläche "Öffnen".</li>
	<li>Verwenden Sie die Pfeile unter die Bilder zu blättern Sie durch die Bilder, die in die axiale, koronale dargestellt werden, und sagittale Ansichten (von links nach rechts).</li>
	<li>Vergrößern Sie das Bild durch Anklicken der Schaltfläche "Zoom" (Abbildung 2). Zeichnen Sie ein Feld auf der Bildebene zu vergrößern. Rechtsklick zum verkleinern.</li>
	<li>Schalten Sie Lokalisierer "Intersection" Schaltfläche (Abbildung 2). Hinweis: Die Linien zeigen, wo die Scheibe in jeder Ebene befindet. Diese Zeilen verschieben beim Scrollen mit den Pfeilen.</li>
	<li>Klicken Sie auf die "Herrscher" (Abbildung 2), um Entfernungen zu messen. Klicke und halte die linke Maustaste gedrückt, um zwischen zwei Punkten des Interesses zu messen. Lassen Sie die Maustaste los, um den gemessenen Wert aus den angezeigten Bereich zu entfernen.</li>
	<li>Klicken Sie auf die "CT Num" (Abbildung 2), um den Wert von einem Voxel zu messen. Klicken und halten der linken Maustaste auf die Voxel von Interesse und Wert erscheint auf der linken Seite der GUI unter der Farbskala. Lassen Sie die Maustaste los, um den gemessenen Wert aus den angezeigten Bereich zu entfernen.</li>
	<li>Klicken Sie auf den "W/L" (Abbildung 2) auf Fensterebene/Bilder. Ein weiteres Fenster öffnet sich. Ziehen Sie den linken und rechten Seite auf den gewünschten Bereich oder geben Sie manuell die Fensterebene in den Feldern an der Unterseite des Fensters neue Fenster und Ebene. Wählen Sie verschiedene Fenster/Ebenen, die mit der ersten Dropdown-Menü auf der linken Seite ( Abbildung 2): Es gibt 8 für CT und 1 für PET.</li>
	<li>Wählen Sie verschiedene Farbskalen mit dem zweiten drop-down-Menü auf der linken Seite (Abbildung 2): Es gibt 9 Optionen zur Auswahl.</li>
	<li>ROIs durch Klicken auf das Kästchen neben der ROI auf den Bildern sichtbar zu machen, oder klicken auf "Auf alle ROIs" schalten Sie alle Patienten ROIs zu visualisieren.</li>
</ol>5. bearbeiten Sie ROI
<ol><li>ROIs durch Anklicken des Buttons "Bearbeiten ROIs" links oben oder unten in der Mitte bearbeiten. Wählen Sie die Kontur, indem Sie auf das Kontrollkästchen neben den Namen zu bearbeiten.</li>
	<li>Die Schaltfläche "Konturen Nudge" (Abbildung 3), Konturen oder verkleinern drücken wie bereits gezeichnet. Passen Sie die Größe des Kreises in das Feld mit der Bezeichnung "D" neben der Schaltfläche "Nudge Konturen" verwendet.</li>
	<li>Entfernen Sie eine ganze Kontur Scheibe mithilfe der Schaltfläche "Konturen schneiden" (Abbildung 3). Klicken Sie und halten Sie die linke Maustaste gedrückt und ziehen Sie einen Rahmen um den ROI entfernt werden.</li>
	<li>Konturen zu zeichnen Hinweis: Gehen Sie zu Schritt 5.4.1 Konturen zu zeichnen, indem Sie Punkte verbinden. Gehen Sie zu Schritt 5.4.2 Konturen mit der freien Hand zu zeichnen.<ol>
<li>Verbindungspunkte: Die Schaltfläche "Zeichnen Konturen (1)" (Abbildung 3) Zeichne eine Kontur auf jede Scheibe durch Anklicken von Punkten um die Kontur wo die Punkte durch gerade Linien verbunden. Füllen Sie den ROI für diesen Slice durch Klicken auf den ersten Punkt gezeichnet.</li>
		<li>Freie Hand: Die Schaltfläche "Zeichnen Konturen (2)" (Abbildung 3) eine Kontur mit der freien Hand zu zeichnen. Halten Sie die linke Maustaste, die Kontur auf die Scheibe zu ziehen. Abschließend die Kontur auf dieser Scheibe kommt zurück an den Anfang des gezeichneten ROI und dann die linke Maustaste loslassen.</li>
	</ol>
</li>
	<li>Klicken Sie auf die "Interpolieren Konturen" (Abbildung 3) ROIs zwischen Scheiben zu interpolieren.</li>
	<li>Klicken Sie auf die "Kopie ROI"-Taste, um den ROI zu kopieren.</li>
	<li>Mischen Sie ROIs, indem mehrere ROIs auswählen und dann auf den Button "Merge ROI".</li>
	<li>Klicken Sie auf "Löschen ROI", um den aktuell ausgewählten ROI zu löschen.</li>
	<li>Klicken Sie auf "Erstellen ROI" Erstelle einen neuen ROI führen ein Fenster öffnet sich. Geben Sie den Namen des ROI und klicken Sie auf die Schaltfläche "OK". Klicken Sie auf die Schaltfläche "Speichern". Klicken Sie auf "Exit", dem geduldigen Betrachter zurück.</li>
</ol>(6) Konturen im Datensatz
<ol><li>Ansicht-Konturen im Datensatz<ol>
<li>Klicken Sie auf "Show Data Set", um Konturen im Datensatz anzuzeigen. Klicken Sie auf den Namen des Datensatzes anzeigen. Klicken Sie auf die Schaltfläche "Öffnen". Wählen Sie Patient Konturen mit dem Feld neben dem Namen. Klicken Sie abhängig von der gewünschten Funktion für die Kontur auf "Löschen", "Move" oder "Kopieren". Schließen Sie das Dataset einmal fertige Betrachtung des Datensatzes.</li>
	</ol>
</li>
	<li>Hinzufügen von Konturen auf den Datensatz<ol>
<li>Wählen Sie Konturen eines Datensatzes hinzu, indem Sie auf das Kontrollkästchen neben dem Namen aus, dann klicken Sie auf "hinzufügen zu Data Set". Klicken Sie auf den Namen des Datensatzes die Konturen hinzufügen oder klicken Sie auf die Schaltfläche "Neu" für einen neuen Datensatz. Wenn New ausgewählt ist, geben Sie den Namen des Datensatzes im neuen Fenster. Klicken Sie auf die Schaltfläche "OK".</li>
	</ol>
</li>
	<li>Klicken Sie auf "Importieren ROIs", um eine Pinnacle Version 9 .roi Datei zu importieren, wenn Konturen während Abschnitt 3 nicht geladen wurden.<ol>
<li>Klicken Sie auf die Schaltfläche "...", um die Datei auszuwählen. Klicken Sie auf die Schaltfläche "Importieren".</li>
	</ol>
</li>
	<li>Klicken Sie auf "Exportieren ROIs", um ROIs zu exportieren.<ol>
<li>Klicken Sie auf die Schaltfläche "...", um das Verzeichnis auswählen, in dem exportierten ROIs platziert werden. Klicken Sie auf den Namen der das Format, das für die exportierten ROIs bevorzugt. Geben Sie Anonymisierung Informationen ein, wenn das bevorzugte ist. Klicken Sie auf die Schaltfläche Exportieren. Hinweis: Die Voreinstellung ist keine Anonymisierung durchgeführt werden.</li>
	</ol>
</li>
	<li>Klicken Sie auf "Exit", um die Liste der Patienten und Scans zurückzukehren.</li>
</ol>7. erstellen Sie Feature-Set
<ol><li>Klicken Sie auf das Symbol "Feature".</li>
	<li>Fügen Sie Vorverarbeitung hinzu, falls gewünscht.<ol>
<li>Klicken Sie auf die Schaltfläche "Hinzufügen" unter "Schritt 1: Vorverarbeitung". Wählen Sie die Vorverarbeitung Option aus dem Dropdown-Menü in einem neuen Fenster.</li>
		<li>Klicken Sie auf das "i" unter "Para." die Vorverarbeitung Parameter auswählen. Klicken Sie auf die Zahl unter der Spalte "Wert" in dem neuen Fenster des Parameters zu ändern. Geben Sie den neuen Parameterwert, und klicken Sie auf "OK".</li>
		<li>Klicken Sie auf das "Fragezeichen" in der oberen rechten Ecke für eine Beschreibung der Vorverarbeitung Methode und die Vorverarbeitung von bestimmten Parametern.</li>
		<li>Klicken Sie auf die Schaltfläche "Hinzufügen". Wählen Sie die Vorverarbeitung Schritt und klicken Sie auf "Löschen", um unerwünschte Vorverarbeitung Schritte löschen.</li>
	</ol>
</li>
	<li>Fügen Sie die gewünschten Funktionen.<ol>
<li>Wählen Sie die Funktion Kategorie aus dem Dropdown-Menü unter "Schritt 2: Funktionen Kategorie:". Wiederholen Sie die Schritte für mehrere Kategorien. Hinweis: Nur eine Kategorie von Funktionen kann gleichzeitig hinzugefügt werden. Verschiedene Kombinationen von Kategorien Vorverarbeitung und Funktion können die gleichen Funktionen bei Bedarf hinzugefügt werden.<ol>
<li>Wählen Sie die "GrayLevelCooccurenceMatrix25" und "NeighborIntensityDifference25" Feature-Kategorien der grauen Level Co-Occurrence Matrix und Nachbarschaft Intensität Unterschied Matrix, beziehungsweise in 2.5D, berechnen die erfolgt durch Berechnung der matrix auf jede Scheibe einzeln und dann summiert alle Matrizen zusammen.</li>
			<li>Wählen Sie "GrayLevelCooccurenceMatrix3" und "NeighborIntensityDifference3" Feature-Kategorien, die graue Ebene Co-Occurrence Matrix und Nachbarschaft Intensität Unterschied Matrix, bzw., in 3D zu berechnen.</li>
		</ol>
</li>
		<li>Klicken Sie auf das "i" unter "Para." für den Parameter für die Vorverarbeitung ausgewählt. Klicken Sie auf das "Fragezeichen" in der oberen rechten Ecke eine Beschreibung der Vorverarbeitung Methode und die Parameter.<ol>
<li>Geben Sie den neuen Parameterwert, und klicken Sie auf "OK".</li>
		</ol>
</li>
		<li>Klicken Sie auf "Test", um eine Funktion Kategorie oder Besonderheit zu sehen. Klicken Sie neben das Feature oder die gewünschte Kategorie.<ol>
<li>Wählen Sie den Datensatz, den Test auf Anzeigen und klicken Sie auf die Schaltfläche "Öffnen". Aktivieren Sie das Kontrollkästchen neben den Patienten aus dem ausgewählten Datensatz, den Test auf Anzeigen und klicken Sie auf "Test".</li>
		</ol>
</li>
		<li>Deaktivieren Sie unerwünschte Features für die ausgewählte Kategorie; alle Funktionen werden nach Auswahl der Kategorie ausgewählt. Klicken Sie auf das Wort "Features:" unter "Schritt 2: Funktionen" um alle Funktionen zu deaktivieren.</li>
		<li>Klicken Sie auf "Hinzufügen zu Feature Set" um alle ausgewählten Objekte mit ausgewählten Vorverarbeitung hinzuzufügen.<ol>
<li>Wählen Sie das Feature-set an Features hinzufügen, um und klicken Sie auf die Schaltfläche "Öffnen" oder "Neu" klicken, um ein neues Feature-Set Funktionen hinzufügen. Wenn ein neues Feature erstellen festlegen, geben Sie den Namen der das Feature-Set im neuen Fenster und klicken Sie auf "OK".</li>
		</ol>
</li>
	</ol>
</li>
	<li>Klicken Sie auf "Show Feature Set" um Funktionen mit entsprechenden Vorverarbeitung Techniken, um Funktionen in einem Feature-Set anzeigen anzuzeigen.<ol>
<li>Wählen Sie das Feature-set anzeigen und klicken Sie auf die Schaltfläche "Öffnen" oder klicken Sie auf die Schaltfläche "Neu" um ein neues Feature-Set zu erstellen. Wenn ein neues Feature erstellen festlegen, geben Sie den Namen der das Feature-Set im neuen Fenster und klicken Sie auf "OK".</li>
	</ol>
</li>
	<li>Klicken Sie auf die "Show Data Set"-Taste, um die aktuelle Datensätze anzeigen.<ol>
<li>Wählen Sie den Datensatz anzeigen und klicken Sie auf die Schaltfläche "Öffnen" oder klicken Sie auf die Schaltfläche "Neu" um einen neuen Datensatz zu erstellen. Wenn Sie einen neuen Datensatz erstellen, geben Sie den Namen des Datensatzes in das neue Fenster und klicken Sie auf "OK".</li>
	</ol>
</li>
	<li>Klicken Sie auf die Schaltfläche "Beenden".</li>
</ol>8. Ausgabe-Features
<ol><li>Klicken Sie auf "Ergebnis". Klicken Sie auf das Dataset, führen Sie die Funktionen unter "Schritt 1: Daten-Set." Klicken Sie auf das Feature-set auf die ausgewählten Daten unter "Schritt 2: Feature-Set."</li>
	<li>Klicken Sie auf "Daten anzeigen" um den ausgewählten Datensatz anzuzeigen. Klicken Sie auf "View-Funktion", um das ausgewählte Feature-Set zu sehen.</li>
	<li>Klicken Sie auf die Schaltfläche "Berechnen & Ergebnis speichern". Geben Sie den Dateinamen für die Ergebnisse, und klicken Sie auf die Schaltfläche "Speichern".</li>
</ol>9. statistische Modellbildung
<ol><li>Öffnen Sie die Datei mit den gespeicherten. Hinweis: Dies ist in der Regel unter C:\IBEX\DataIbex\[Selected Benutzer in Schritt 2.2] \ [ausgewählte Seite in Schritt 2.3] \1FeatureResultSet_Result, wenn ansonsten im Schritt 8.4 zugewiesen.</li>
	<li>Anhand der Daten aus den verschiedenen Registerkarten in die gewünschte statistische Tests oder Gebäude in Software zu modellieren. Hinweis: Das Protokoll kann jederzeit angehalten werden. Allerdings ist es am bequemsten nach Abschluss aller Schritte für ein bestimmtes Symbol, z. B.Abschluss aller Abschnitt 7, unter dem Symbol Funktion benötigt.</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>

Die Autoren haben keine finanziellen Interessenkonflikte offenlegen.

Steinbock ist ein leistungsfähiges Werkzeug für die medizinische Bildgebung Radiomics Forschung. Es wurde bisher vor allem für Strahlung Onkologie Zwecke in Studien, die von der MD Anderson Radiomics Gruppe eingesetzt. IBEX ermöglicht die Manipulation des ROIs und Berechnung von Funktionen innerhalb von 5 Hauptmerkmal Kategorien. Die Source-Code-Version des STEINBOCKS ermöglicht dem Benutzer, Design-Anwendungen, die nicht bereits Teil des STEINBOCKS, z. B. Ebene Grauzone Matrix Features.
Die wichtigsten Schritte beim Steinbock sind der Import von Bildern, Konturierung des ROIs, Auswahl des ROIs für Dataset und Schaffung von Feature-Set. Exakte Konturen sind notwendig, da Funktionen nur innerhalb dieser Bereiche berechnet sind und so ungenaue Konturen werden ungenau Funktionswerte. So eine Beziehung zwischen diesen Funktionen auf ungenauen Konturen berechnet und Ergebnisse werden falsche. Parameterauswahl für die Features ist auch ein entscheidender Schritt. Ändern die Schrittweite für die graue Ebene Co-Occurrence Matrix kann z. B. die Funktionen aus der Matrix berechnet auswirken. Dies könnte Bildtyp (d.h., MRT, CT oder PET), Website für Untersuchung (z.B.NSCLC vs. Kopf und Hals) und den Zweck der Studie (z.B.überleben Modelle vs. Verknüpfung Bild Funktionen mit Genomik) abhängen. KE-Parameter gewählt werden basierend auf einer physikalischen oder biologischen Argumentation, z.B., gibt es einen Grund, den eine Schrittweite von 4 in einer Co-Occurrence Matrix biologisch relevant sein würde? KE-Parameter können auch ausgewählt werden, basierend auf früheren Studien, die bestimmte Funktion Parameter korrelieren mit Ergebnissen oder biologische Ausdrücke gefunden haben. Steinbock hat 27 Vorverarbeitung Module und 132 Features zur Auswahl stehen, zusammen mit verändern der Parameter für jede Vorverarbeitung Modul und die Funktion Kategorie, wodurch es eine anpassungsfähige Werkzeug für viele Arten von Radiomics Studien ermöglicht.
Es gibt mehrere allgemeine Einschränkungen in der Radiomics Forschung, die gelten, wenn Sie eine Software verwenden. Zum Beispiel wurden Bild Funktionen gezeigt, Erwerb Bildparameter wie Voxel Größe und Scanner15,27abhängen. Eine Einschränkung der gesamten Software ist, dass gibt es viele Parameter, die für jede Funktion verändert werden können und die Default-Werte möglicherweise nicht geeignet für die spezifische Studie. Benutzer müssen wachsam sein, und Forschung bisher Parametereinstellungen für ähnliche Studien benutzt und bewerten die Anwendbarkeit der Einstellungen. Die Qualität der die Konturen und die inhärenten inter - und Intra-Observer-Variabilität kann auch die Berechnung der Funktionen beeinflussen. Owens Et Al. zeigten, dass berechnete Eigenschaften robuster sind, bei der Verwendung von Auto-Konturierung Werkzeuge28. Die Funktionen für Radiomics Studien berechnet ergonomisches Design zeichnen und können nicht vollständig die Funktionen von der visuellen Wahrnehmungssystem beobachtet vermitteln. Darüber hinaus können diese Funktionen sehr Schwierigkeiten bei der Analyse der Ergebnisse miteinander korreliert werden. Eine bestimmte Einschränkung des STEINBOCKS ist, dass die aktuelle Version die Verfügbarkeit zur Berechnung der Wavelet-Funktionen fehlt; Unsere Fraktion will jedoch diese Funktionen in zukünftigen Versionen beinhalten.
Für die Berechnung der Bild Funktionen25gibt es mehrere alternative Software-Plattformen. Einige Vorteile des STEINBOCKS gehört die Tatsache, dass es frei verfügbar ist, gut dokumentierte2, und Benutzern detaillierte Kontrolle über das Bild Funktion Berechnungen erlaubt. Steinbock zeigt auch verarbeitetes Patientenbilder (z. B.nach dem Glätten), so dass der Benutzer kann die Auswirkungen der Bildverarbeitung visualisieren - dies ist beispielsweise nützlich, wenn bestätigt wird, dass die Vorverarbeitung nicht die Bilder stark geglättet hat. In ähnlicher Weise können STEINBÖCKE der tatsächliche Co-Occurrence Matrix und Intensität Histogramme exportieren; Dies kann nützlich sein, wenn in der Bild-Funktionen tiefer eintauchen.
IBEX wurde ausschließlich für Krebs-Studien, konzentrierte sich hauptsächlich auf Strahlentherapie eingesetzt. Jedoch können zukünftige Studien zu anderen Krebstherapien oder sogar außerhalb des Feldes Krebs verzweigen. Beispielsweise verwendet Kassner Et Al. Radiomics, hämorrhagischen Transformation bei Patienten mit akutem ischämischem Schlaganfall29vorherzusagen. STEINBÖCKE könnten auch in Radiomics Studien dieser Art verwendet werden.
Steinbock hat auch kontinuierliche Wartung. Zum Beispiel fand eine Studie von Fave Et Al. , dass 5 Funktionen (Geschäftigkeit, Grobheit, graue Ebene Inhomogenität, Lauflänge Uneinheitlichkeit und Energie) stark abhängig von Volumen waren und ihre Formeln11 korrigiert. Diese aktualisierte Formeln sind in der aktualisierten Version des STEINBOCKS aufgenommen worden. Darüber hinaus gibt es eine Google-Gruppe30 , die Benutzer, die Fragen stellen, die andere Benutzer dann zu beantworten hat. Diese kontinuierliche Verbesserung des STEINBOCKS neben den aktuellen Fähigkeiten des Steinbock und seine Verfügbarkeit machen es eine der wichtigste Quellen für Radiomics Studien.

In der Medizin, Patienten Diagnose in der Regel beinhaltet zahlreiche diagnostische Untersuchungen wie Röntgen, Ultraschall, Computertomographie (CT), Magnetresonanztomographie (MRT) und Positronen-Emissions-Tomographie (PET)-scans helfen bei der Bestimmung der Kurs der Patientenversorgung. Während Ärzte diese Bilder verwenden, um die Diagnose des Patienten qualitativ zu bewerten, möglicherweise zusätzliche quantitative Funktionen, die extrahiert werden können, um die Versorgung der Patienten zu führen. Das Grundprinzip ist, dass diese Funktionen Proteomic und genomische Muster auf der makroskopischen Skala1ausgedrückt darstellen können. Diese quantitative Informationen mit den aktuellen klinischen Informationen, z. B., Patientendaten, kombinieren können mehr individuelle Patientenversorgung. Das ist die Theorie hinter Radiomics: Analyse von Bildern auf einem Voxel-Niveau verfügen. Funktionen werden in der Regel in 5 Hauptkategorien unterteilt: graue Level Co-Occurrence Matrix, graue Ebene Lauflänge Matrix, Nachbarschaft Intensität Unterschied Matrix, Histogramm und Form.
Imaging Biomarker Explorer (IBEX) ist ein Open-Source-Werkzeug für Radiomics Arbeit2. Die grafische Benutzeroberfläche (GUI) wurde mit dem Ziel der Erleichterung der Extraktion und Berechnung der quantitativen Merkmale zur Unterstützung bei der Entscheidungsfindung in der Krebsbehandlung am MD Anderson Cancer Center entwickelt. Eine Quelle Code3 und eine Stand-alone-4 -Version stehen online zur Verfügung. IBEX berechnet die 5 häufigsten Kategorien von Funktionen in medizinischen Radiomics mit Parametern, die für jede Funktion Kategorie eingestellt werden können. Die Kategorien sind: graue Level Co-Occurrence Matrix5, graue Ebene Lauflänge Matrix6,7, Intensität, Nachbarschaft Intensität Unterschied Matrix8und Form. Da STEINBÖCKE open Source ist, ermöglicht es für harmonisierte Feature Extraktion Ergebnisse über Institutionen leicht unterschiedliche Radiomics Studien vergleichen. Alle Funktionen im Steinbock sind in das erste Papier von Zhang Et Al. beschrieben. 2
Dieses Manuskript soll Hilfestellung wie STEINBÖCKE zu nutzen und ihre Anwendungen durch Peer-reviewed Studien aus der MD Anderson Radiomics Gruppe zu demonstrieren. Seit ihrer Veröffentlichung für die Öffentlichkeit im Jahr 2015 wurde IBEX verwendet, um Eigenschaften von CT, PET und MRT-Scan-Bilder berechnen gruppenweise Radiomics MD Anderson Untersuchung in der Regel Funktionen zur Verbesserung der klinischen überleben Modelle9,10, 11,12,13,14,15,16,17,18,19,20 und durch externe Institutionen21,22,23,24. Zusätzliche Hinweise auf Software-Tools, die für die Schritte in der Radiomics Forschung verwendet werden können, die nicht im Steinbock enthalten sind finden Sie im Hof Et al. 25
Eine allgemeine Einführung in den Workflow des STEINBOCKS hilft, um Daten richtig zu organisieren, vor Beginn der Radiomics Projekte mit Steinbock. Wenn Import von DICOM-Bildern, erfordert IBEX, dass jeder Patient seinen eigenen Ordner mit ihrer DICOM-Bilder. DICOM Strahlung Struktur ist optional der Patienten Ordner enthalten, sondern empfiehlt sich anstelle der Konturierung Plattform im Steinbock. Um mit dem Import aller Patienten für eine spezielle Studie zu unterstützen, können alle Patienten Ordner zusammen in einem Ordner platziert werden, so dass IBEX mit nur einem Schritt alle Daten importiert werden können. Wenn Patienten von Pinnacle importieren, empfiehlt es sich, die Struktur, die mit dem Patienten Plan festgelegt haben. Da Patienten mehrere Bildsätze und Pläne innerhalb von Pinnacle haben können, ist es am besten um zu wissen, welches Bild gesetzt und Plan vor dem Import korrekt sind. Wenn Rechenzeit ein Anliegen ist, kann die Reduzierung der Bildsegmente für einen Patienten drastisch verkürzen. Beispielsweise können wenn nur die Leber von Interesse in einer Studie ist, aber die Patienten haben Ganzkörper CT Scans, die DICOM-Scheiben auf nur das Ausmaß der Interessenbereich zu reduzieren Rechenzeit zu verkürzen (z.B.Verringerung der DICOM von 300 Scheiben auf 50 Scheiben 1/6 t nehmen h die Zeit). Es gibt verschiedene Tools zur Verfügung, um diese Scheibe Reduktion von manuell, halbautomatisch durchführen.

<table border="0" cellpadding="0" cellspacing="0" style="width:572px;" width="573">
	<colgroup>
		<col />
		<col />
		<col />
		<col />
	</colgroup>
	<tbody>
		<tr height="42">
			<td height="42" style="height:42px;width:216px;">Excel</td>
			<td style="width:71px;">Microsoft Office</td>
			<td style="width:119px;"></td>
			<td style="width:167px;">Any version of excel should work.</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:216px;">Matlab</td>
			<td style="width:71px;">MathWorks</td>
			<td style="width:119px;"></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

Imaging Biomarker Explorer (IBEX) ist ein Open-Source-Werkzeug für medizinische bildgebende Radiomics Arbeit. Der Zweck dieses Artikels ist zu beschreiben, wie STEINBÖCKE die grafische Benutzeroberfläche (GUI) zu verwenden und zu zeigen, wie IBEX berechnet, dass Funktionen in klinischen Studien verwendet wurden. IBEX ermöglicht den Import von DICOM-Bilder mit DICOM Strahlung Therapie Struktur oder Pinnacle Dateien. Sobald die Bilder importiert wurden, hat IBEX Werkzeuge innerhalb der Daten-Auswahl-GUI, das Betrachten der Bilder, Voxel Messwerte und Entfernungen, zu manipulieren und erstellen und Bearbeiten von Konturen. Steinbock kommt mit 27 Vorverarbeitung und 132 Feature, Feature-Sets zu entwerfen. Jede Vorverarbeitung und Funktion Kategorie verfügt über Parameter, die geändert werden können. Die Ausgabe von IBEX ist eine Tabellenkalkulation, die enthält: (1) jedes Feature aus der Feature-set berechnet für jede Kontur in einem Dataset, Bild 2) Informationen über jede Kontur in ein Dataset und 3) eine Übersicht über die Vorverarbeitung und Features, die mit ihren ausgewählten verwendet Parameter. Funktionen von IBEX berechnet haben in Studien verwendet wurde, um die Variabilität der Funktionen unter anderen bildgebenden Bedingungen und überleben Modelle zur Verbesserung der aktuellen klinischen Modelle zu testen.

Die Ausgabe von IBEX ist eine Tabellenkalkulation (siehe Abbildung 4), 3 Registerkarten enthält. Registerkarte "Ergebnisse" enthält die Funktionswerte für jede ROI im Dataset (Abb. 4A). Die Registerkarte "Daten Info." "" enthält Informationen über die Bilder aus jeder ROI im Dataset (Abbildung 4B). Die Registerkarte "Feature Info." "" enthält eine umfassende Liste von Funktionen verwendet, mit den Parametern für die Funktion Kategorie ausgewählt und die Vorverarbeitung für diese Kategorie von Funktionen (Abb. 4C) verwendet.
Der Steinbock berechneten Funktionen von medizinischen Bildern in verschiedenen Kontexten verwendet worden sein. Hunter Et Al. verwendet eine frühe Version des STEINBOCKS, um robuste Bild Funktionen19zu identifizieren. Fave Et Al. untersuchten die Unsicherheit in Radiomics Funktionen der 4-D-CT Thorax Scans bei verschiedenen Atemwegserkrankungen Phasen, Peak Röhrenspannungen und Rohr Strömungen9gesammelt. Diese Studie ergab Intra Patienten Variation sein, weniger als Inter Patienten Variante für die meisten Funktionen bei tube Spannung und Strom waren vielfältig, machen diese Faktoren vernachlässigbar. Die Reproduzierbarkeit der Funktion von Cone Beam CT (DVT) Bildern wurde dann mit IBEX10ausgewertet. In dieser Studie fanden sich Funktionen berechnet aus CBCT Lungenaufnahmen reproduzierbar sein, wenn das gleiche Protokoll und Hersteller nur beim Atmen Bewegung klein war verwendet wurden. Bild, die Auswirkungen auf die Funktionswerte Vorverarbeitung wurde anschließend ausgewertet. Die Studie zeigte, dass 39 55 Funktionen untersucht mindestens eine Vorverarbeitung Technik, die führte zu erheblichen Schichtung für Gesamtüberleben mit Cox proportional Gefahren-Modelle, die darauf hinweist, dass verschiedene Vorverarbeitung für jeweils benötigt werden Funktion11. Die Unsicherheit in Funktionen von Perfusions-CT-Bildern ist auch mit Steinbock ausgewertet worden. Yang Et Al. zeigten, dass Radiomics Funktionen waren nicht abhängig von Zeit zwischen Kontrast und CT-Scan und 86,9 % der Features mit einem Inter Sitzung Stabilität Konkordanz Korrelationen Koeffizient größer als oder gleich reproduzierbar waren bis 0,916. Zu guter Letzt soll ein Phantom Inter Scanner Variabilität auf eine Teilmenge der Features15zu testen. Textur-Stärke erwies sich das beständigste Merkmal während Geschäftigkeit festgestellt wurde, dass die meisten variieren.
Die Radiomics Eigenschaften von IBEX dienen oft auch Modell bauen, in der Regel mit Blick auf die Gesamtüberlebenszeit, lokale regionale Kontrolle und Freiheit von Fernmetastasen. Fried Et Al. ermittelten 8 Radiomics Funktionen von nicht-kleinzelligem Lungenkrebs (NSCLC)-Patienten CT Scans, dass wenn umgesetzt eine Cox proportional Gefahren Modelle für Gesamtüberleben, Loco-regionale Steuerung und Fernmetastasen deutlich verbesserte Kaplan-Meier-Schichtung im Vergleich zu Modellen, die nur klinische Daten20verwendet. Ebenso ergab Fave Et Al. Radiomics Features Patienten Schichtung in Überleben Kurven12verbessert. Ihre Studie verwendet wöchentlichen CT-Aufnahmen und berechneten Änderungen in die Lunge Radiomics Funktionen. Funktionen im Modell hatte vier verschiedene Vorverarbeitung Methoden berechnet: Schwellwerte (1), (2) Schwelle und Bit-Tiefe (3) Schwellwerte und Glättung, Schwellwerte (4), Bit-Tiefe und glätten; und die beste Methode die Vorverarbeitung wurde individuell für jedes Feature vor, die in die Cox proportional Gefahren Modelle getestet. Hunter Et Al. zeigten auch, dass Radiomics Funktionen können Vorhersagen Tumor schrumpfen bei NSCLC-Patienten beim erkunden verschiedene Schwellenwerte und Tiefe Rescale Werte18 Bit.
Haustier Bild Radiomics Funktionen und deren prognostische Wert wurden auch untersucht mit Steinbock. Fried Et Al. skaliert standardisierte Aufnahme Werte (SUV) von SUVs auf die nächste ganze Zahl abgerundet und dann subtrahieren die minimale SUV für diese Rendite von der Rest-13. Energie und Solidität fanden sich statistisch ein Gesamtmodell des Überlebens bei verbessern das Modell im Vergleich zu wenn nur konventionelle klinische Faktoren enthalten waren. Diese beiden Radiomics-Funktionen wurden auch gefunden, um Untergruppen von Patienten zu identifizieren, die ein Vorteil oder Nachteil von Dosis Eskalation14erhalten zu können. Ebenso ergab van Rossum Et Al. eine Erhöhung in der c-Index für einen klinischen Vorhersagemodells pathologische komplette Remission bei Radiomics Funktionen in klinischen Modelle17einschließlich.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/57132/57132fig1.jpg"> Abbildung 1 : Steinbock Hauptseite. Hauptseite für IBEX mit Symbolen für jeden Abschnitt. Jeder dieser Abschnitte werden in Kapitel 2-6 beschrieben. <a href="//cloudflare-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/57132/57132fig1large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/57132/57132fig2.jpg"> Abbildung 2 : Daten Auswahlfenster. GUI-Fenster dient zur Auswahl der Datenmanipulation. Das Fenster verfügt über Tasten, um das Aussehen der Bilder wie in 4.4-4.10 beschrieben ändern. <a href="//cloudflare-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/57132/57132fig2large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/57132/57132fig3.jpg"> Abbildung 3 : ROI-Editor-Fenster. GUI-Fenster dient zur ROI-Manipulation. Das Fenster verfügt über die gleichen Tasten verändern das Aussehen wie in der Datenselektion sowie Schaltflächen, ROIs zu ändern. Die ROI-Manipulation wird in Abschnitt 5 beschrieben. <a href="//cloudflare-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/57132/57132fig3large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/57132/57132fig4.jpg"> Abbildung 4 : Steinbock führt Arbeitsblatt. IBEX gibt drei Seiten mit Informationen in einem Arbeitsblatt. Die erste Seite (A) enthält die Funktionswerte für jede ROI, die zweite Seite (B) enthält Informationen über die Bilder, die die ROIs, gezogen wurden und die dritte Seite (C) enthält Informationen über die Funktionen und Vorverarbeitung verwendet. Die Ausgänge für diese Figur nutzen aus einer phantom Studie wo Funktionen berechnet wurden Butterworth Glättung und 8-Bit-Tiefe, Skalierung, in Feld C, Spalte E, Zeilen 5 und 6 dargestellt. <a href="//cloudflare-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/57132/57132fig4large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>

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

Wir beschreiben Steinbock, ein Open Source Tool für medizinische bildgebende Radiomics und wie Sie dieses Tool verwenden. Darüber hinaus sind einige Veröffentlichungen, die IBEX für Unsicherheitsanalyse verwendet und Modell Gebäude präsentiert.

Richtlinien und Erfahrung mit Imaging-Biomarker Explorer (Steinbock), für 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

Nanyang Technological University

Research

JoVE Journal

Engineering

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

13.1K Aufrufe.  The University of Texas MD Anderson Cancer Center. Wir beschreiben Steinbock, ein Open Source Tool für medizinische bildgebende Radiomics und wie Sie dieses Tool verwenden. Darüber hinaus sind einige Veröffentlichungen, die IBEX für Unsicherheitsanalyse verwendet und Modell Gebäude präsentiert.

Serie: Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics

Compact Quantum Dots for Single-molecule Imaging

Single-molecule imaging is an important tool for understanding the mechanisms of biomolecular function and for visualizing the spatial and temporal heterogeneity of molecular behaviors that underlie cellular biology 1-4. To image an individual molecule of interest, it is typically conjugated to a fluorescent tag (dye, protein, bead, or quantum dot) and observed with epifluorescence or total internal reflection fluorescence (TIRF) microscopy. While dyes and fluorescent proteins have been the mainstay of fluorescence imaging for decades, their fluorescence is unstable under high photon fluxes necessary to observe individual molecules, yielding only a few seconds of observation before complete loss of signal. Latex beads and dye-labeled beads provide improved signal stability but at the expense of drastically larger hydrodynamic size, which can deleteriously alter the diffusion and behavior of the molecule under study.
Quantum dots (QDs) offer a balance between these two problematic regimes. These nanoparticles are composed of semiconductor materials and can be engineered with a hydrodynamically compact size with exceptional resistance to photodegradation 5. Thus in recent years QDs have been instrumental in enabling long-term observation of complex macromolecular behavior on the single molecule level. However these particles have still been found to exhibit impaired diffusion in crowded molecular environments such as the cellular cytoplasm and the neuronal synaptic cleft, where their sizes are still too large 4,6,7.
Recently we have engineered the cores and surface coatings of QDs for minimized hydrodynamic size, while balancing offsets to colloidal stability, photostability, brightness, and nonspecific binding that have hindered the utility of compact QDs in the past 8,9. The goal of this article is to demonstrate the synthesis, modification, and characterization of these optimized nanocrystals, composed of an alloyed HgxCd1-xSe core coated with an insulating CdyZn1-yS shell, further coated with a multidentate polymer ligand modified with short polyethylene glycol (PEG) chains (Figure 1). Compared with conventional CdSe nanocrystals, HgxCd1-xSe alloys offer greater quantum yields of fluorescence, fluorescence at red and near-infrared wavelengths for enhanced signal-to-noise in cells, and excitation at non-cytotoxic visible wavelengths. Multidentate polymer coatings bind to the nanocrystal surface in a closed and flat conformation to minimize hydrodynamic size, and PEG neutralizes the surface charge to minimize nonspecific binding to cells and biomolecules. The end result is a brightly fluorescent nanocrystal with emission between 550-800 nm and a total hydrodynamic size near 12 nm. This is in the same size range as many soluble globular proteins in cells, and substantially smaller than conventional PEGylated QDs (25-35 nm).

We describe the preparation of colloidal quantum dots with minimized hydrodynamic size for single-molecule fluorescence imaging. Compared to conventional quantum dots, these nanoparticles are similar in size to globular proteins and are optimized for single-molecule brightness, stability against photodegradation, and resistance to nonspecific binding to proteins and cells.

Compact Quantum Dots für Einzelmolekül-Imaging

Single-molecule imaging is an important tool for  understanding the mechanisms of biomolecular function and for visualizing the  spatial and temporal ...

Forschung

Ingenieurwesen

Spatial Separation of Molecular Conformers and Clusters

Gas-phase molecular physics and physical chemistry experiments commonly use supersonic expansions through pulsed valves for the production of cold molecular beams. However, these beams often contain multiple conformers and clusters, even at low rotational temperatures. We present an experimental methodology that allows the spatial separation of these constituent parts of a molecular beam expansion. Using an electric deflector the beam is separated by its mass-to-dipole moment ratio, analogous to a bender or an electric sector mass spectrometer spatially dispersing charged molecules on the basis of their mass-to-charge ratio. This deflector exploits the Stark effect in an inhomogeneous electric field and allows the separation of individual species of polar neutral molecules and clusters. It furthermore allows the selection of the coldest part of a molecular beam, as low-energy rotational quantum states generally experience the largest deflection. Different structural isomers (conformers) of a species can be separated due to the different arrangement of functional groups, which leads to distinct dipole moments. These are exploited by the electrostatic deflector for the production of a conformationally pure sample from a molecular beam. Similarly, specific cluster stoichiometries can be selected, as the mass and dipole moment of a given cluster depends on the degree of solvation around the parent molecule. This allows experiments on specific cluster sizes and structures, enabling the systematic study of solvation of neutral molecules.

We present a technique that allows the spatial separation of different conformers or clusters present in a molecular beam. An electrostatic deflector is used to separate species by their mass-to-dipole moment ratio, leading to the production of gas-phase ensembles of a single conformer or cluster stoichiometry.

Räumliche Trennung von molekularen Konformen und Clustern

Gas-phase molecular physics and physical chemistry experiments commonly use supersonic expansions through pulsed valves for the production of cold ...

Reservoir Condition Pore-scale Imaging of Multiple Fluid Phases Using X-ray Microtomography

X-ray microtomography was used to image, at a resolution of 6.6 &#181;m, the pore-scale arrangement of residual carbon dioxide ganglia in the pore-space of a carbonate rock at pressures and temperatures representative of typical formations used for CO2 storage. Chemical equilibrium between the CO2, brine and rock phases was maintained using a high pressure high temperature reactor, replicating conditions far away from the injection site. Fluid flow was controlled using high pressure high temperature syringe pumps. To maintain representative in-situ conditions within the micro-CT scanner a carbon fiber high pressure micro-CT coreholder was used. Diffusive CO2 exchange across the confining sleeve from the pore-space of the rock to the confining fluid was prevented by surrounding the core with a triple wrap of aluminum foil. Reconstructed brine contrast was modeled using a polychromatic x-ray source, and brine composition was chosen to maximize the three phase contrast between the two fluids and the rock. Flexible flow lines were used to reduce forces on the sample during image acquisition, potentially causing unwanted sample motion, a major shortcoming in previous techniques. An internal thermocouple, placed directly adjacent to the rock core, coupled with an external flexible heating wrap and a PID controller was used to maintain a constant temperature within the flow cell. Substantial amounts of CO2 were trapped, with a residual saturation of 0.203 &#177; 0.013, and the sizes of larger volume ganglia obey power law distributions, consistent with percolation theory.

We present a methodology for the imaging of multiple fluid phases at reservoir conditions by the use of x-ray microtomography. We show some representative results of capillary trapping in a carbonate rock sample.

Reservoir Zustand Pore angelegte Imaging von mehreren fluiden Phasen Mit Hilfe der Röntgenmikrotomographie

X-ray microtomography was used to image, at a resolution of 6.6 &#181;m, the pore-scale arrangement of residual carbon dioxide ganglia in the pore-space ...

Electron Channeling Contrast Imaging for Rapid III-V Heteroepitaxial Characterization

Misfit dislocations in heteroepitaxial layers of GaP grown on Si(001) substrates are characterized through use of electron channeling contrast imaging (ECCI) in a scanning electron microscope (SEM). ECCI allows for imaging of defects and crystallographic features under specific diffraction conditions, similar to that possible via plan-view transmission electron microscopy (PV-TEM). A particular advantage of the ECCI technique is that it requires little to no sample preparation, and indeed can use large area, as-produced samples, making it a considerably higher throughput characterization method than TEM. Similar to TEM, different diffraction conditions can be obtained with ECCI by tilting and rotating the sample in the SEM. This capability enables the selective imaging of specific defects, such as misfit dislocations at the GaP/Si interface, with high contrast levels, which are determined by the standard invisibility criteria. An example application of this technique is described wherein ECCI imaging is used to determine the critical thickness for dislocation nucleation for GaP-on-Si by imaging a range of samples with various GaP epilayer thicknesses. Examples of ECCI micrographs of additional defect types, including threading dislocations and a stacking fault, are provided as demonstration of its broad, TEM-like applicability. Ultimately, the combination of TEM-like capabilities &#8211; high spatial resolution and richness of microstructural data &#8211; with the convenience and speed of SEM, position ECCI as a powerful tool for the rapid characterization of crystalline materials.

The use of electron channeling contrast imaging in a scanning electron microscope to characterize defects in III-V/Si heteroexpitaxial thin films is described. This method yields similar results to plan-view transmission electron microscopy, but in significantly less time due to lack of required sample preparation.

Electron Channeling Contrast Imaging Rapid III-V heteroepitaktischen Charakterisierung

Misfit dislocations in heteroepitaxial layers of GaP grown on Si(001) substrates are characterized through use of electron channeling contrast imaging ...

Use of a Multi-compartment Dynamic Single Enzyme Phantom for Studies of Hyperpolarized Magnetic Resonance Agents

Imaging of hyperpolarized substrates by magnetic resonance shows great clinical promise for assessment of critical biochemical processes in real time. Due to fundamental constraints imposed by the hyperpolarized state, exotic imaging and reconstruction techniques are commonly used. A practical system for characterization of dynamic, multi-spectral imaging methods is critically needed. Such a system must reproducibly recapitulate the relevant chemical dynamics of normal and pathological tissues. The most widely utilized substrate to date is hyperpolarized [1-13C]-pyruvate for assessment of cancer metabolism. We describe an enzyme-based phantom system that mediates the conversion of pyruvate to lactate. The reaction is initiated by injection of the hyperpolarized agent into multiple chambers within the phantom, each of which contains varying concentrations of reagents that control the reaction rate. Multiple compartments are necessary to ensure that imaging sequences faithfully capture the spatial and metabolic heterogeneity of tissue. This system will aid the development and validation of advanced imaging strategies by providing chemical dynamics that are not available from conventional phantoms, as well as control and reproducibility that is not possible in vivo.

A multi-compartment dynamic phantom is used to simulate some biology of interest for metabolic studies using hyperpolarized magnet resonance agents.

Die Verwendung eines Mehrfach Dynamische einzelner Enzym-Phantom für Studien von hyperpolarisiertem Magnetic Resonance Agents

Imaging of hyperpolarized substrates by magnetic resonance shows great clinical promise for assessment of critical biochemical processes in real time. Due ...

Dynamic Pore-scale Reservoir-condition Imaging of Reaction in Carbonates Using Synchrotron Fast Tomography

Underground storage permanence is a major concern for carbon capture and storage. Pumping CO2 into carbonate reservoirs has the potential to dissolve geologic seals and allow CO2 to escape. However, the dissolution processes at reservoir conditions are poorly understood. Thus, time-resolved experiments are needed to observe and predict the nature and rate of dissolution at the pore scale. Synchrotron fast tomography is a method of taking high-resolution time-resolved images of complex pore structures much more quickly than traditional &#181;-CT. The Diamond Lightsource Pink Beam was used to dynamically image dissolution of limestone in the presence of CO2-saturated brine at reservoir conditions. 100 scans were taken at a 6.1 &#181;m resolution over a period of 2 hours. The images were segmented and the porosity and permeability were measured using image analysis and network extraction. Porosity increased uniformly along the length of the sample; however, the rate of increase of both porosity and permeability slowed at later times.

Synchrotron fast tomography was used to dynamically image dissolution of limestone in the presence of CO2-saturated brine at reservoir conditions. 100 scans were taken at a 6.1 &#181;m resolution over a period of 2 h.

Dynamische Pore-Skala Reservoir-Zustand Abbildung von Reaktions in Karbonate mit Synchrotronstrahlung Schnelle Tomography

Underground storage permanence is a major concern for carbon capture and storage. Pumping CO2 into carbonate reservoirs has the potential to dissolve ...

High-resolution Thermal Micro-imaging Using Europium Chelate Luminescent Coatings

Micro-electronic devices often undergo significant self-heating when biased to their typical operating conditions. This paper describes a convenient optical micro-imaging technique which can be used to map and quantify such behavior. Europium thenoyltrifluoroacetonate (EuTFC) has a 612 nm luminescence line whose activation efficiency drops strongly with increasing temperature, due to T-dependent interactions between the Eu3+ ion and the organic chelating compound. This material may be readily coated on to a sample surface by thermal sublimation in vacuum. When the coating is excited with ultraviolet light (337 nm) an optical micro-image of the 612 nm luminescent response can be converted directly into a map of the sample surface temperature. This technique offers spatial resolution limited only by the microscope optics (about 1 micron) and time resolution limited by the speed of the camera employed. It offers the additional advantages of only requiring comparatively simple and non-specialized equipment, and giving a quantitative probe of sample temperature.

Europium thenoyltrifluoroacetonate (EuTFC) has an optical luminescence line at 612 nm, whose activation efficiency decreases strongly with temperature. If a sample coated with a thin film of this material is micro-imaged, the 612 nm luminescent response intensity may be converted into a direct map of sample surface temperature.

Hochauflösende Thermal Micro-Bildgebung Europiumchelatlösung Lumineszente Coatings

Micro-electronic devices often undergo significant self-heating when biased to their typical operating conditions. This paper describes a convenient ...

Advanced Compositional Analysis of Nanoparticle-polymer Composites Using Direct Fluorescence Imaging

The fabrication of polymer-nanoparticle composites is extremely important in the development of many functional materials. Identifying the precise composition of these materials is essential, especially in the design of surface catalysts, where the surface concentration of the active component determines the activity of the material. Antimicrobial materials which utilize nanoparticles are a particular focus of this technology. Recently swell encapsulation has emerged as a technique for inserting antimicrobial nanoparticles into a host polymer matrix. Swell encapsulation provides the advantage of localizing the incorporation to the external surfaces of materials, which act as the active sites of these materials. However, quantification of this nanoparticle uptake is challenging. Previous studies explore the link between antimicrobial activity and surface concentration of the active component, but this is not directly visualized. Here we show a reliable method to monitor the incorporation of nanoparticles into a polymer host matrix via swell encapsulation. We show that the surface concentration of CdSe/ZnS nanoparticles can be accurately visualized through cross-sectional fluorescence imaging. Using this method, we can quantify the uptake of nanoparticles via swell encapsulation and measure the surface concentration of encapsulated particles, which is key in optimizing the activity of functional materials.

Here we present a reliable method to monitor the incorporation of nanoparticles into a polymer host matrix via swell encapsulation. We show that the surface concentration of cadmium selenide quantum dots can be accurately visualized through cross-sectional fluorescence imaging.

Erweiterte Analyse der Zusammensetzung von Nanopartikel-Polymer Composites mittels direkter Fluoreszenz-Imaging

The fabrication of polymer-nanoparticle composites is extremely important in the development of many functional materials. Identifying the precise ...

Nanostructured Ag-zeolite Composites as Luminescence-based Humidity Sensors

Small silver clusters confined inside zeolite matrices have recently emerged as a novel type of highly luminescent materials. Their emission has high external quantum efficiencies (EQE) and spans the whole visible spectrum. It has been recently reported that the UV excited luminescence of partially Li-exchanged sodium Linde type A zeolites [LTA(Na)] containing luminescent silver clusters can be controlled by adjusting the water content of the zeolite. These samples showed a dynamic change in their emission color from blue to green and yellow upon an increase of the hydration level of the zeolite, showing the great potential that these materials can have as luminescence-based humidity sensors at the macro and micro scale. Here, we describe the detailed procedure to fabricate a humidity sensor prototype using silver-exchanged zeolite composites. The sensor is produced by suspending the luminescent Ag-zeolites in an aqueous solution of polyethylenimine (PEI) to subsequently deposit a film of the material onto a quartz plate. The coated plate is subjected to several hydration/dehydration cycles to show the functionality of the sensing film.

A protocol for the synthesis of moisture-responsive luminescent Ag-zeolite composites is described in this report.

Nanostrukturierte Ag-Zeolith-Komposite als Lumineszenz-basierte Feuchtigkeitssensoren

Small silver clusters confined inside zeolite matrices have recently emerged as a novel type of highly luminescent materials. Their emission has high ...

Simultaneous Measurement of Turbulence and Particle Kinematics Using Flow Imaging Techniques

Numerous problems in scientific and engineering fields involve understanding the kinematics of particles in turbulent flows, such as contaminants, marine micro-organisms, and/or sediments in the ocean, or fluidized bed reactors and combustion processes in engineered systems. In order to study the effect of turbulence on the kinematics of particles in such flows, simultaneous measurements of both the flow and particle kinematics are required. Non-intrusive, optical flow measurement techniques for measuring turbulence, or for tracking particles, exist but measuring both simultaneously can be challenging due to interference between the techniques. The method presented herein provides a low cost and relatively simple method to make simultaneous measurements of the flow and particle kinematics. A cross section of the flow is measured using a particle image velocimetry (PIV) technique, which provides two components of velocity in the measurement plane. This technique utilizes a pulsed-laser for illumination of the seeded flow field that is imaged by a digital camera. The particle kinematics are simultaneously imaged using a light emitting diode (LED) line light that illuminates a planar cross section of the flow that overlaps with the PIV field-of-view (FOV). The line light is of low enough power that it does not affect the PIV measurements, but powerful enough to illuminate the larger particles of interest imaged using the high-speed camera. High-speed images that contain the laser pulses from the PIV technique are easily filtered by examining the summed intensity level of each high-speed image. By making the frame rate of the high-speed camera incommensurate with that of the PIV camera frame rate, the number of contaminated frames in the high-speed time series can be minimized. The technique is suitable for mean flows that are predominantly two-dimensional, contain particles that are at least 5 times the mean diameter of the PIV seeding tracers, and are low in concentration.

The technique described herein offers a low cost and relatively simple method to simultaneously measure particle kinematics and turbulence in flows with low particle concentrations. The turbulence is measured using particle image velocimetry (PIV), and particle kinematics are calculated from images obtained with a high-speed camera in an overlapping field-of-view.

Gleichzeitige Messung von Turbulenzen und Partikel-Kinematik mit bildgebenden Verfahren

Numerous problems in scientific and engineering fields involve understanding the kinematics of particles in turbulent flows, such as contaminants, marine ...