Purpose Many patients receiving fractionated radiotherapy (RT) for head-and-neck cancer have marked anatomic changes during their course of treatment, including shrinking of the primary tumor or nodal masses, resolving postoperative changes/edema, and changes in overall body habitus/weight loss. We conducted a pilot study to quantify the magnitude of these anatomic changes with systematic CT imaging. Methods and materials Fourteen assessable patients were enrolled in this pilot study. Eligible patients had to have a pathologic diagnosis of head-and-neck cancer, be treated with definitive external beam RT, and had have gross primary and/or cervical nodal disease measuring at least 4 cm in maximal diameter. All patients were treated using a new commercial integrated CT-linear accelerator system (EXaCT) that allows CT imaging at the daily RT sessions while the patient remains immobilized in the treatment position. CT scans were acquired three times weekly during the entire course of RT, and both gross tumor volumes (GTVs: primary tumor and involved lymph nodes) and normal tissues (parotid glands, spinal canal, mandible, and external contour) were manually contoured on every axial slice. Volumetric and positional changes relative to a central bony reference (the center of mass of the C2 vertebral body) were determined for each structure. Results Gross tumor volumes decreased throughout the course of fractionated RT, at a median rate of 0.2 cm3 per treatment day (range, 0.01–1.95 cm3/d). In terms of the percentage of the initial volume, the GTVs decreased at a median rate of 1.8%/treatment day (range, 0.2–3.1%/d). On the last day of treatment, this corresponded to a median total relative loss of 69.5% of the initial GTV (range, 9.9–91.9%). In addition, the center of the mass of shrinking tumors changed position with time, indicating that GTV loss was frequently asymmetric. At treatment completion, the median center of the mass displacement (after corrections for daily setup variation) was 3.3 mm (range, 0–17.3 mm). Parotid glands also decreased in volume (median, 0.19 cm3/d range, 0.04–0.84 cm3/d), and generally shifted medially (median, 3.1 mm; range, 0–9.9 mm) with time. This medial displacement of the parotid glands correlated highly with the weight loss that occurred during treatment. Conclusion Measurable anatomic changes occurred throughout fractionated external beam RT for head-and-neck cancers. These changes in the external contour, shape, and location of the target and critical structures appeared to be significant during the second half of treatment (after 3–4 weeks of treatment) and could have potential dosimetric impact when highly conformal treatment techniques are used. These data may, therefore, be useful in the development of an adaptive RT scheme (periodic adjustment of the conformal treatment plan) that takes into account such treatment-related anatomic changes. In theory, such a strategy would maximize the therapeutic ratio of RT.

Objectives The purpose of this study was to determine the significance of interscanner variability in CT image radiomics studies. Materials and Methods We compared the radiomics features calculated for non–small cell lung cancer (NSCLC) tumors from 20 patients with those calculated for 17 scans of a specially designed radiomics phantom. The phantom comprised 10 cartridges, each filled with different materials to produce a wide range of radiomics feature values. The scans were acquired using General Electric, Philips, Siemens, and Toshiba scanners from 4 medical centers using their routine thoracic imaging protocol. The radiomics feature studied included the mean and standard deviations of the CT numbers as well as textures derived from the neighborhood gray-tone difference matrix. To quantify the significance of the interscanner variability, we introduced the metric feature noise. To look for patterns in the scans, we performed hierarchical clustering for each cartridge. Results The mean CT numbers for the 17 CT scans of the phantom cartridges spanned from −864 to 652 Hounsfield units compared with a span of −186 to 35 Hounsfield units for the CT scans of the NSCLC tumors, showing that the phantom's dynamic range includes that of the tumors. The interscanner variability of the feature values depended on both the cartridge material and the feature, and the variability was large relative to the interpatient variability in the NSCLC tumors for some features. The feature interscanner noise was greatest for busyness and least for texture strength. Hierarchical clustering produced different clusters of the phantom scans for each cartridge, although there was some consistent clustering by scanner manufacturer. Conclusions The variability in the values of radiomics features calculated on CT images from different CT scanners can be comparable to the variability in these features found in CT images of NSCLC tumors. These interscanner differences should be considered, and their effects should be minimized in future radiomics studies.

Many radiomics features were originally developed for non-medical imaging applications and therefore original assumptions may need to be reexamined. In this study, we investigated the impact of slice thickness and pixel spacing (or pixel size) on radiomics features extracted from Computed Tomography (CT) phantom images acquired with different scanners as well as different acquisition and reconstruction parameters. The dependence of CT texture features on gray-level discretization was also evaluated.A texture phantom composed of 10 different cartridges of different materials was scanned on eight different CT scanners from three different manufacturers. The images were reconstructed for various slice thicknesses. For each slice thickness, the reconstruction Field Of View (FOV) was varied to render pixel sizes ranging from 0.39 to 0.98 mm. A fixed spherical region of interest (ROI) was contoured on the images of the shredded rubber cartridge and the 3D printed, 20% fill, acrylonitrile butadiene styrene plastic cartridge (ABS20) for all phantom imaging sets. Radiomic features were extracted from the ROIs using an in-house program. Features categories were: shape (10), intensity (16), GLCM (24), GLZSM (11), GLRLM (11), and NGTDM (5), fractal dimensions (8) and first-order wavelets (128), for a total of 213 features. Voxel-size resampling was performed to investigate the usefulness of extracting features using a suitably chosen voxel size. Acquired phantom image sets were resampled to a voxel size of 1 × 1 × 2 mm3 using linear interpolation. Image features were therefore extracted from resampled and original datasets and the absolute value of the percent coefficient of variation (%COV) for each feature was calculated. Based on the %COV values, features were classified in 3 groups: (1) features with large variations before and after resampling (%COV >50); (2) features with diminished variation (%COV <30) after resampling; and (3) features that had originally moderate variation (%COV <50%) and were negligibly affected by resampling. Group 2 features were further studied by modifying feature definitions to include voxel size. Original and voxel-size normalized features were used for interscanner comparisons. A subsequent analysis investigated feature dependency on gray-level discretization by extracting 51 texture features from ROIs from each of the 10 different phantom cartridges using 16, 32, 64, 128, and 256 gray levels.Out of the 213 features extracted, 150 were reproducible across voxel sizes, 42 improved significantly (%COV <30, Group 2) after resampling, and 21 had large variations before and after resampling (Group 1). Ten features improved significantly after definition modification effectively removed their voxel-size dependency. Interscanner comparison indicated that feature variability among scanners nearly vanished for 8 of these 10 features. Furthermore, 17 out of 51 texture features were found to be dependent on the number of gray levels. These features were redefined to include the number of gray levels which greatly reduced this dependency.Voxel-size resampling is an appropriate pre-processing step for image datasets acquired with variable voxel sizes to obtain more reproducible CT features. We found that some of the radiomics features were voxel size and gray-level discretization-dependent. The introduction of normalizing factors in their definitions greatly reduced or removed these dependencies.

Purpose: To describe the initial experience at Dana-Farber Cancer Institute/Brigham and Women's Hospital with intensity-modulated radiation therapy (IMRT) as adjuvant therapy after extrapleural pneumonectomy (EPP) and adjuvant chemotherapy.Methods and Materials: The medical records of patients treated with IMRT after EPP and adjuvant chemotherapy were retrospectively reviewed. IMRT was given to a dose of 54 Gy to the clinical target volume in 1.8 Gy daily fractions. Treatment was delivered with a dynamic multileaf collimator using a sliding window technique. Eleven of 13 patients received heated intraoperative cisplatin chemotherapy (225 mg/m2). Two patients received neoadjuvant intravenous cisplatin/pemetrexed, and 10 patients received adjuvant cisplatin/pemetrexed chemotherapy after EPP but before radiation therapy. All patients received at least 2 cycles of intravenous chemotherapy. The contralateral lung was limited to a V20 (volume of lung receiving 20 Gy or more) of 20% and a mean lung dose (MLD) of 15 Gy. All patients underwent fluorodeoxyglucose positron emission tomography (FDG-PET) for staging, and any FDG-avid areas in the hemithorax were given a simultaneous boost of radiotherapy to 60 Gy. Statistical comparisons were done using two-sided t test.Results: Thirteen patients were treated with IMRT from December 2004 to September 2005. Six patients developed fatal pneumonitis after treatment. The median time from completion of IMRT to the onset of radiation pneumonitis was 30 days (range 5–57 days). Thirty percent of patients (4 of 13) developed acute Grade 3 nausea and vomiting. One patient developed acute Grade 3 thrombocytopenia. The median V20, MLD, and V5 (volume of lung receiving 5 Gy or more) for the patients who developed pneumonitis was 17.6% (range, 15.3–22.3%), 15.2 Gy (range, 13.3–17 Gy), and 98.6% (range, 81–100%), respectively, as compared with 10.9% (range, 5.5–24.7%) (p = 0.08), 12.9 Gy (range, 8.7–16.9 Gy) (p = 0.07), and 90% (range, 66–98.3%) (p = 0.20), respectively, for the patients who did not develop pneumonitis.Conclusions: Intensity-modulated RT treatment for mesothelioma after EPP and adjuvant chemotherapy resulted in a high rate of fatal pneumonitis when standard dose parameters were used. We therefore recommend caution in the utilization of this technique. Our data suggest that with IMRT, metrics such as V5 and MLD should be considered in addition to V20 to determine tolerance levels in future patients.

Radiomics is the use of quantitative imaging features extracted from medical images to characterize tumor pathology or heterogeneity. Features measured at pretreatment have successfully predicted patient outcomes in numerous cancer sites. This project was designed to determine whether radiomics features measured from non–small cell lung cancer (NSCLC) change during therapy and whether those features (delta-radiomics features) can improve prognostic models. Features were calculated from pretreatment and weekly intra-treatment computed tomography images for 107 patients with stage III NSCLC. Pretreatment images were used to determine feature-specific image preprocessing. Linear mixed-effects models were used to identify features that changed significantly with dose-fraction. Multivariate models were built for overall survival, distant metastases, and local recurrence using only clinical factors, clinical factors and pretreatment radiomics features, and clinical factors, pretreatment radiomics features, and delta-radiomics features. All of the radiomics features changed significantly during radiation therapy. For overall survival and distant metastases, pretreatment compactness improved the c-index. For local recurrence, pretreatment imaging features were not prognostic, while texture-strength measured at the end of treatment significantly stratified high- and low-risk patients. These results suggest radiomics features change due to radiation therapy and their values at the end of treatment may be indicators of tumor response.

Purpose: Radiomics, which is the high‐throughput extraction and analysis of quantitative image features, has been shown to have considerable potential to quantify the tumor phenotype. However, at present, a lack of software infrastructure has impeded the development of radiomics and its applications. Therefore, the authors developed the imaging biomarker explorer ( ibex ), an open infrastructure software platform that flexibly supports common radiomics workflow tasks such as multimodality image data import and review, development of feature extraction algorithms, model validation, and consistent data sharing among multiple institutions. Methods: The ibex software package was developed using the matlab and c/c++ programming languages. The software architecture deploys the modern model‐view‐controller, unit testing, and function handle programming concepts to isolate each quantitative imaging analysis task, to validate if their relevant data and algorithms are fit for use, and to plug in new modules. On one hand, ibex is self‐contained and ready to use: it has implemented common data importers, common image filters, and common feature extraction algorithms. On the other hand, ibex provides an integrated development environment on top of matlab and c/c++ , so users are not limited to its built‐in functions. In the ibex developer studio, users can plug in, debug, and test new algorithms, extending ibex ’s functionality. ibex also supports quality assurance for data and feature algorithms: image data, regions of interest, and feature algorithm‐related data can be reviewed, validated, and/or modified. More importantly, two key elements in collaborative workflows, the consistency of data sharing and the reproducibility of calculation result, are embedded in the ibex workflow: image data, feature algorithms, and model validation including newly developed ones from different users can be easily and consistently shared so that results can be more easily reproduced between institutions. Results: Researchers with a variety of technical skill levels, including radiation oncologists, physicists, and computer scientists, have found the ibex software to be intuitive, powerful, and easy to use. ibex can be run at any computer with the windows operating system and 1GB RAM. The authors fully validated the implementation of all importers, preprocessing algorithms, and feature extraction algorithms. Windows version 1.0 beta of stand‐alone ibex and ibex ’s source code can be downloaded. Conclusions: The authors successfully implemented ibex , an open infrastructure software platform that streamlines common radiomics workflow tasks. Its transparency, flexibility, and portability can greatly accelerate the pace of radiomics research and pave the way toward successful clinical translation.

Abstract Purpose Motivated by perceived dissatisfaction within our lab’s changed working environment brought about by the COVID-19 pandemic, we performed a self-assessment of our lab culture through anonymous surveys and live sessions. Methods In Survey 1, we asked each lab member to identify and rank up to 10 values that are important for a healthy lab environment. They were then asked to rate how well the lab embodied those values at two time points: before the COVID-19 pandemic while working onsite, and at the time of the survey while working remotely (10 months into the pandemic). In a series of live group sessions, we reviewed relevant literature and the survey results to finalize ten themes. We then reflected on each theme and proposed action items to address any deficiencies. Finally, we conducted Survey 2 after the self-assessment to judge the group’s finalized themes, implemented changes, and overall satisfaction with the assessment process. Results Themes identified were attitude, accountability, teamwork/collaboration, communication, diversity/inclusion, emotional intelligence, integrity, training, well-being, and adaptability in crisis-management. All lab members liked the self-assessment process and felt their voices were heard. On average, there was a 12% increase in satisfaction across all themes from the start to end of the lab assessment. Conclusion We successfully assessed the culture of our lab and subsequently improved lab member satisfaction. The success of this team project suggests that other scientific labs could benefit from similar interactive self-assessments.

Purpose: Recent data suggest that imaging radiomics features for a tumor could predict important genomic biomarkers. Understanding the relationship between radiomic and genomic features is important for basic cancer research and future patient care. For Head and Neck Squamous Cell Carcinoma (HNSCC), we perform a comprehensive study to discover the imaging-genomics associations and explore the potential of predicting tumor genomic alternations using radiomic features. Methods: Our retrospective study integrates whole-genome multi-omics data from The Cancer Genome Atlas (TCGA) with matched computed tomography imaging data from The Cancer Imaging Archive (TCIA) for the same set of 126 HNSCC patients. Linear regression analysis and gene set enrichment analysis are used to identify statistically significant associations between radiomic imaging features and genomic features. Random forest classifier is used to predict two key HNSCC molecular biomarkers, the status of human papilloma virus (HPV) and disruptive TP53 mutation, based on radiomic features. Results: Wide-spread and statistically significant associations are discovered between genomic features (including miRNA expressions, protein expressions, somatic mutations, and transcriptional activities, copy number variations, and promoter region DNA methylation changes of pathways) and radiomic features characterizing the size, shape, and texture of tumor. Prediction of HPV and TP53 mutation status using radiomic features achieves an area under the receiver operating characteristics curve (AUC) of 0.71 and 0.641, respectively. Conclusion: Our analysis suggests that radiomic features are associated with genomic characteristics in HNSCC and provides justification for continued development of radiomics as biomarkers for relevant genomic alterations in HNSCC.