The image biomarker standardisation initiative (IBSI) is an independent international collaboration which works towards standardising the extraction of image biomarkers from acquired imaging for the purpose of high-throughput quantitative image analysis (radiomics). Lack of reproducibility and validation of high-throughput quantitative image analysis studies is considered to be a major challenge for the field. Part of this challenge lies in the scantiness of consensus-based guidelines and definitions for the process of translating acquired imaging into high-throughput image biomarkers. The IBSI therefore seeks to provide image biomarker nomenclature and definitions, benchmark data sets, and benchmark values to verify image processing and image biomarker calculations, as well as reporting guidelines, for high-throughput image analysis.

Purpose The objective of this work was to demonstrate the feasibility of acquiring low-exposure megavoltage cone-beam CT (MV CBCT) three-dimensional (3D) image data of sufficient quality to register the CBCT images to kilovoltage planning CT images for patient alignment and dose verification purposes. Methods and materials A standard clinical 6-MV Primus linear accelerator, operating in arc therapy mode, and an amorphous-silicon (a-Si) flat-panel electronic portal-imaging device (EPID) were employed. The dose-pulse rate of a 6-MV Primus accelerator beam was windowed to expose an a-Si flat panel by using only 0.02 to 0.08 monitor units (MUs) per image. A triggered image-acquisition mode was designed to produce a high signal-to-noise ratio without pulsing artifacts. Several data sets were acquired for an anthropomorphic head phantom and frozen sheep and pig cadaver heads, as well as for a head-and-neck cancer patient on intensity-modulated radiotherapy (IMRT). For each CBCT image, a set of 90 to 180 projection images incremented by 1° to 2° was acquired. The two-dimensional (2D) projection images were then synthesized into a 3D image by use of cone-beam CT reconstruction. The resulting MV CBCT image set was used to visualize the 3D bony anatomy and some soft-tissue details. The 3D image registration with the kV planning CT was performed either automatically by application of a maximization of mutual information (MMI) algorithm or manually by aligning multiple 2D slices. Results Low-noise 3D MV CBCT images without pulsing artifacts were acquired with a total delivered dose that ranged from 5 to 15 cGy. Acquisition times, including image readout, were on the order of 90 seconds for 180 projection images taken through a continuous gantry rotation of 180°. The processing time of the data required an additional 90 seconds for the reconstruction of a 2563 cube with 1.0-mm voxel size. Implanted gold markers (1 mm × 3 mm) were easily visible for all exposure levels without artifacts. In general, the presence of high Z materials such as tooth fillings or implanted markers did not result in visible streak artifacts. The registration of structures such as the spinal canal and the nasopharynx in the MV CBCT and kV CT data sets was possible with millimeter and degree accuracy as assessed by displacement simulations and subsequent visual evaluation. Conclusions We believe that the quality of these images, along with the rapid acquisition and reconstruction times, demonstrates that MV CBCT performed by use of a standard linear accelerator equipped with a flat-panel imager can be applied clinically for patient alignment. The objective of this work was to demonstrate the feasibility of acquiring low-exposure megavoltage cone-beam CT (MV CBCT) three-dimensional (3D) image data of sufficient quality to register the CBCT images to kilovoltage planning CT images for patient alignment and dose verification purposes. A standard clinical 6-MV Primus linear accelerator, operating in arc therapy mode, and an amorphous-silicon (a-Si) flat-panel electronic portal-imaging device (EPID) were employed. The dose-pulse rate of a 6-MV Primus accelerator beam was windowed to expose an a-Si flat panel by using only 0.02 to 0.08 monitor units (MUs) per image. A triggered image-acquisition mode was designed to produce a high signal-to-noise ratio without pulsing artifacts. Several data sets were acquired for an anthropomorphic head phantom and frozen sheep and pig cadaver heads, as well as for a head-and-neck cancer patient on intensity-modulated radiotherapy (IMRT). For each CBCT image, a set of 90 to 180 projection images incremented by 1° to 2° was acquired. The two-dimensional (2D) projection images were then synthesized into a 3D image by use of cone-beam CT reconstruction. The resulting MV CBCT image set was used to visualize the 3D bony anatomy and some soft-tissue details. The 3D image registration with the kV planning CT was performed either automatically by application of a maximization of mutual information (MMI) algorithm or manually by aligning multiple 2D slices. Low-noise 3D MV CBCT images without pulsing artifacts were acquired with a total delivered dose that ranged from 5 to 15 cGy. Acquisition times, including image readout, were on the order of 90 seconds for 180 projection images taken through a continuous gantry rotation of 180°. The processing time of the data required an additional 90 seconds for the reconstruction of a 2563 cube with 1.0-mm voxel size. Implanted gold markers (1 mm × 3 mm) were easily visible for all exposure levels without artifacts. In general, the presence of high Z materials such as tooth fillings or implanted markers did not result in visible streak artifacts. The registration of structures such as the spinal canal and the nasopharynx in the MV CBCT and kV CT data sets was possible with millimeter and degree accuracy as assessed by displacement simulations and subsequent visual evaluation. We believe that the quality of these images, along with the rapid acquisition and reconstruction times, demonstrates that MV CBCT performed by use of a standard linear accelerator equipped with a flat-panel imager can be applied clinically for patient alignment.

Machine learning classification algorithms (classifiers) for prediction of treatment response are becoming more popular in radiotherapy literature. General Machine learning literature provides evidence in favor of some classifier families (random forest, support vector machine, gradient boosting) in terms of classification performance. The purpose of this study is to compare such classifiers specifically for (chemo)radiotherapy datasets and to estimate their average discriminative performance for radiation treatment outcome prediction.We collected 12 datasets (3496 patients) from prior studies on post-(chemo)radiotherapy toxicity, survival, or tumor control with clinical, dosimetric, or blood biomarker features from multiple institutions and for different tumor sites, that is, (non-)small-cell lung cancer, head and neck cancer, and meningioma. Six common classification algorithms with built-in feature selection (decision tree, random forest, neural network, support vector machine, elastic net logistic regression, LogitBoost) were applied on each dataset using the popular open-source R package caret. The R code and documentation for the analysis are available online (https://github.com/timodeist/classifier_selection_code). All classifiers were run on each dataset in a 100-repeated nested fivefold cross-validation with hyperparameter tuning. Performance metrics (AUC, calibration slope and intercept, accuracy, Cohen's kappa, and Brier score) were computed. We ranked classifiers by AUC to determine which classifier is likely to also perform well in future studies. We simulated the benefit for potential investigators to select a certain classifier for a new dataset based on our study (pre-selection based on other datasets) or estimating the best classifier for a dataset (set-specific selection based on information from the new dataset) compared with uninformed classifier selection (random selection).Random forest (best in 6/12 datasets) and elastic net logistic regression (best in 4/12 datasets) showed the overall best discrimination, but there was no single best classifier across datasets. Both classifiers had a median AUC rank of 2. Preselection and set-specific selection yielded a significant average AUC improvement of 0.02 and 0.02 over random selection with an average AUC rank improvement of 0.42 and 0.66, respectively.Random forest and elastic net logistic regression yield higher discriminative performance in (chemo)radiotherapy outcome and toxicity prediction than other studied classifiers. Thus, one of these two classifiers should be the first choice for investigators when building classification models or to benchmark one's own modeling results against. Our results also show that an informed preselection of classifiers based on existing datasets can improve discrimination over random selection.

We aim to develop a Multi-modal Fusion and Feature Enhancement U-Net (MFFE U-Net) coupling with stem cell niche (SCN) proximity estimation to improve voxel-wise GBM recurrence prediction. Approach: 57 patients with pre- and post-surgery MR scans were retrospectively solicited from 4 databases. Post-surgery MR scans included two months before the clinical diagnosis of recurrence and the day of the radiologically confirmed recurrence. The recurrences were manually annotated on the T1ce. The high-risk recurrence (HRR) region was first determined. Then, a sparse multi-modal feature fusion U-Net was developed. The 50 patients from 3 databases were divided into 70% training, 10% validation, and 20% testing. 7 patients from the 4th institution were used as external testing with transfer learning. Model performance was evaluated by recall, precision, F1-score, and Hausdorff Distance at the 95% percentile (HD95). The proposed MFFE U-Net was compared to the support vector machine (SVM) model and two state-of-the-art neural networks. An ablation study was performed. Main results: The MFFE U-Net achieved a precision of 0.79±0.08, a recall of 0.85±0.11, and an F1-score of 0.82±0.09. Statistically significant improvement was observed when comparing MFFE U-Net with proximity estimation couple SVM (SVMPE), mU-Net, and Deeplabv3. The HD95 was 2.75±0.44mm and 3.91±0.83mm for the 10 patients used in the model construction and 7 patients used for external testing, respectively. The ablation test showed that all five MR sequences contributed to the performance of the final model, with T1ce contributing the most. Convergence analysis, time efficiency analysis, and visualization of the intermediate results further discovered the characteristics of the proposed method. Significance: We present an advanced multi-modal fusion and feature enhancement learning framework, MFFE U-Net, for effective voxel-wise GBM recurrence prediction. MFFE U-Net performs significantly better than the state-of-the-art networks and can potentially guide early RT intervention of the disease recurrence.

Motivation: Utilizing the knowledge of glioma cells' infiltration along white matter pathways to better predict GBM progression. Goal(s): To enhance GBM progression prediction by analyzing the map of adjacent white matter fibers and building models to incorporate that map with anatomical MR. Approach: Developed a novel algorithm, DW-WMPL, from Diffusion-Tensor Imaging data that adjusts white matter fiber lengths to reveal possible tumor advancement. Employed deep learning models to predict progression with anatomical MRI and DW-WMPL maps. Results: DW-WMPL-enhanced deep learning models achieved higher precision in tumor delineation and reduced normal brain inclusion versus the standard 2cm radiation margin. Impact: The introduction of density-weighted white-matter path-length maps provides valuable insights into tumor cell migration, significantly refining GBM progression prediction. This advancement indicates a pivotal step towards personalized, more effective radiation therapy planning.