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.

Monte Carlo simulation is an essential tool in emission tomography that can assist in the design of new medical imaging devices, the optimization of acquisition protocols and the development or assessment of image reconstruction algorithms and correction techniques. GATE, the Geant4 Application for Tomographic Emission, encapsulates the Geant4 libraries to achieve a modular, versatile, scripted simulation toolkit adapted to the field of nuclear medicine. In particular, GATE allows the description of time-dependent phenomena such as source or detector movement, and source decay kinetics. This feature makes it possible to simulate time curves under realistic acquisition conditions and to test dynamic reconstruction algorithms. This paper gives a detailed description of the design and development of GATE by the OpenGATE collaboration, whose continuing objective is to improve, document and validate GATE by simulating commercially available imaging systems for PET and SPECT. Large effort is also invested in the ability and the flexibility to model novel detection systems or systems still under design. A public release of GATE licensed under the GNU Lesser General Public License can be downloaded at http://www-lphe.epfl.ch/GATE/. Two benchmarks developed for PET and SPECT to test the installation of GATE and to serve as a tutorial for the users are presented. Extensive validation of the GATE simulation platform has been started, comparing simulations and measurements on commercially available acquisition systems. References to those results are listed. The future prospects towards the gridification of GATE and its extension to other domains such as dosimetry are also discussed.

Abstract Textural and shape analysis is gaining considerable interest in medical imaging, particularly to identify parameters characterizing tumor heterogeneity and to feed radiomic models. Here, we present a free, multiplatform, and easy-to-use freeware called LIFEx, which enables the calculation of conventional, histogram-based, textural, and shape features from PET, SPECT, MR, CT, and US images, or from any combination of imaging modalities. The application does not require any programming skills and was developed for medical imaging professionals. The goal is that independent and multicenter evidence of the usefulness and limitations of radiomic features for characterization of tumor heterogeneity and subsequent patient management can be gathered. Many options are offered for interactive textural index calculation and for increasing the reproducibility among centers. The software already benefits from a large user community (more than 800 registered users), and interactions within that community are part of the development strategy. Significance: This study presents a user-friendly, multi-platform freeware to extract radiomic features from PET, SPECT, MR, CT, and US images, or any combination of imaging modalities. Cancer Res; 78(16); 4786–9. ©2018 AACR.

GATE (Geant4 Application for Emission Tomography) is a Monte Carlo simulation platform developed by the OpenGATE collaboration since 2001 and first publicly released in 2004. Dedicated to the modelling of planar scintigraphy, single photon emission computed tomography (SPECT) and positron emission tomography (PET) acquisitions, this platform is widely used to assist PET and SPECT research. A recent extension of this platform, released by the OpenGATE collaboration as GATE V6, now also enables modelling of x-ray computed tomography and radiation therapy experiments. This paper presents an overview of the main additions and improvements implemented in GATE since the publication of the initial GATE paper (Jan et al 2004 Phys. Med. Biol. 49 4543-61). This includes new models available in GATE to simulate optical and hadronic processes, novelties in modelling tracer, organ or detector motion, new options for speeding up GATE simulations, examples illustrating the use of GATE V6 in radiotherapy applications and CT simulations, and preliminary results regarding the validation of GATE V6 for radiation therapy applications. Upon completion of extensive validation studies, GATE is expected to become a valuable tool for simulations involving both radiotherapy and imaging.

Texture indices are of growing interest for tumor characterization in (18)F-FDG PET. Yet, on the basis of results published in the literature so far, it is unclear which indices should be used, what they represent, and how they relate to conventional indices such as standardized uptake values (SUVs), metabolic volume (MV), and total lesion glycolysis (TLG). We investigated in detail 31 texture indices, 5 first-order statistics (histogram indices) derived from the gray-level histogram of the tumor region, and their relationship with SUV, MV, and TLG in 3 different tumor types.Three patient groups corresponding to 3 cancer types at baseline were studied independently: patients with metastatic colorectal cancer (72 lesions), non-small cell lung cancer (24 lesions), and breast cancer (54 lesions). Thirty-one texture indices were studied in addition to SUVs, MV, and TLG, and 5 indices extracted from histogram analysis were also investigated. The relationships between indices were studied as well as the robustness of the various texture indices with respect to the parameters involved in the calculation method (sampling schemes and tumor volume of interest).Regardless of the patient group, many indices were highly correlated (Pearson correlation coefficient |r| ≥ 0.80), making it desirable to focus on only a few uncorrelated indices. Three histogram indices were highly correlated with SUVs (|r| ≥ 0.84). Four texture indices were highly correlated with MV, and none was highly correlated with SUVs (|r| ≤ 0.55). The resampling formula used to calculate texture indices had a substantial impact, and resampling using at least 32 discrete values should be used for texture indices calculation. The texture indices change as a function of the segmentation method was higher than that of peak and maximum SUVs but less than mean SUV for 5 texture indices and was larger than that of MV for 14 texture indices and for the 5 histogram indices. All these results were extremely consistent across the 3 tumor types and explained many of the observations reported in the literature so far.None of the histogram indices and only 17 of 31 texture indices were robust with respect to the tumor-segmentation method. An appropriate resampling formula with at least 32 gray levels should be used to avoid introducing a misleading relationship between texture indices and SUV. Some texture indices are highly correlated or strongly correlate with MV whatever the tumor type. Such correlation should be accounted for when interpreting the usefulness of texture indices for tumor characterization, which might call for systematic multivariate analyses.

Background Radiomics extracts features from medical images more precisely and more accurately than visual assessment. However, radiomics features are affected by CT scanner parameters such as reconstruction kernel or section thickness, thus obscuring underlying biologically important texture features. Purpose To investigate whether a compensation method could correct for the variations of radiomic feature values caused by using different CT protocols. Materials and Methods Phantom data involving 10 texture patterns and 74 patients in cohorts 1 (19 men; 42 patients; mean age, 60.4 years; September-October 2013) and 2 (16 men; 32 patients; mean age, 62.1 years; January-September 2007) scanned by using different CT protocols were retrospectively included. For any radiomic feature, the compensation approach identified a protocol-specific transformation to express all data in a common space that were devoid of protocol effects. The differences in statistical distributions between protocols were assessed by using Friedman tests before and after compensation. Principal component analyses were performed on the phantom data to evaluate the ability to distinguish between texture patterns after compensation. Results In the phantom data, the statistical distributions of features were different between protocols for all radiomic features and texture patterns (P < .05). After compensation, the protocol effect was no longer detectable (P > .05). Principal component analysis demonstrated that each texture pattern was no longer displayed as different clusters corresponding to different imaging protocols, unlike what was observed before compensation. The correction for scanner effect was confirmed in patient data with 100% (10 of 10 features for cohort 1) and 98% (87 of 89 features for cohort 2) of P values less than .05 before compensation, compared with 30% (three of 10) and 15% (13 of 89) after compensation. Conclusion Image compensation successfully realigned feature distributions computed from different CT imaging protocols and should facilitate multicenter radiomic studies. © RSNA, 2019 Online supplemental material is available for this article. See also the editorial by Steiger and Sood in this issue.

Several reports have shown that radiomic features are affected by acquisition and reconstruction parameters, thus hampering multicenter studies. We propose a method that, by removing the center effect while preserving patient-specific effects, standardizes features measured from PET images obtained using different imaging protocols. Methods: Pretreatment ¹⁸F-FDG PET images of patients with breast cancer were included. In one nuclear medicine department (department A), 63 patients were scanned on a time-of-flight PET/CT scanner, and 16 lesions were triple-negative (TN). In another nuclear medicine department (department B), 74 patients underwent PET/CT on a different brand of scanner and a different reconstruction protocol, and 15 lesions were TN. The images from department A were smoothed using a gaussian filter to mimic data from a third department (department A-S). The primary lesion was segmented to obtain a lesion volume of interest (VOI), and a spheric VOI was set in healthy liver tissue. Three SUVs and 6 textural features were computed in all VOIs. A harmonization method initially described for genomic data was used to estimate the department effect based on the observed feature values. Feature distributions in each department were compared before and after harmonization. Results: In healthy liver tissue, the distributions significantly differed for 4 of 9 features between departments A and B and for 6 of 9 between departments A and A-S (P < 0.05, Wilcoxon test). After harmonization, none of the 9 feature distributions significantly differed between 2 departments (P > 0.1). The same trend was observed in lesions, with a realignment of feature distributions between the departments after harmonization. Identification of TN lesions was largely enhanced after harmonization when the cutoffs were determined on data from one department and applied to data from the other department. Conclusion: The proposed harmonization method is efficient at removing the multicenter effect for textural features and SUVs. The method is easy to use, retains biologic variations not related to a center effect, and does not require any feature recalculation. Such harmonization allows for multicenter studies and for external validation of radiomic models or cutoffs and should facilitate the use of radiomic models in clinical practice.

Despite major advances in artificial intelligence (AI) for medicine and healthcare, the deployment and adoption of AI technologies remain limited in real-world clinical practice. In recent years, concerns have been raised about the technical, clinical, ethical and legal risks associated with medical AI. To increase real world adoption, it is essential that medical AI tools are trusted and accepted by patients, clinicians, health organisations and authorities. This work describes the FUTURE-AI guideline as the first international consensus framework for guiding the development and deployment of trustworthy AI tools in healthcare. The FUTURE-AI consortium was founded in 2021 and currently comprises 118 inter-disciplinary experts from 51 countries representing all continents, including AI scientists, clinicians, ethicists, and social scientists. Over a two-year period, the consortium defined guiding principles and best practices for trustworthy AI through an iterative process comprising an in-depth literature review, a modified Delphi survey, and online consensus meetings. The FUTURE-AI framework was established based on 6 guiding principles for trustworthy AI in healthcare, i.e. Fairness, Universality, Traceability, Usability, Robustness and Explainability. Through consensus, a set of 28 best practices were defined, addressing technical, clinical, legal and socio-ethical dimensions. The recommendations cover the entire lifecycle of medical AI, from design, development and validation to regulation, deployment, and monitoring. FUTURE-AI is a risk-informed, assumption-free guideline which provides a structured approach for constructing medical AI tools that will be trusted, deployed and adopted in real-world practice. Researchers are encouraged to take the recommendations into account in proof-of-concept stages to facilitate future translation towards clinical practice of medical AI.

TPS1139 Background: The current follow-up of triple-negative breast cancer (TNBC) patients at high risk of relapse does not involve any blood or imaging monitoring to detect metastases, because of the low sensitivity and specificity of blood and imaging biomarkers in that context. In contrast, ctDNA detection techniques are highly specific, sensitive and can detect a molecular relapse several months before the occurrence of symptoms (1). We hypothesize that the early detection of molecular relapse by ctDNA combined with whole-body mapping of tumor recurrence sites by 68Ga-FAPI-46-PET/CT will enable the detection of relapses when they are still limited in size and number of sites. Detecting oligometastatic relapses could demonstrate a clinical utility by (i) allowing the use of local treatments in addition to systemic treatments; (ii) taking advantage of the higher efficacy of immunotherapy in patients with limited tumor burden and inflammation. Methods: CUPCAKE is a randomized, non-comparative, multicenter trial promoted by Institut Curie (Paris, France), which design is inspired from the Trials WIthin CohortS approach (2). N=450 non-metastatic TNBC patients at high risk of relapse will be included after having signed a written informed consent in a cohort allowing them to be followed by ctDNA monitoring. For each included patient, a ctDNA detection assay (FoundationOne Tracker) will be performed every 3 months, with a turnaround time of less than 3 weeks. When negative, ctDNA detection results will not be disclosed to patients nor clinicians. If, at any timepoint, ctDNA is detected (molecular relapse), patients will be randomized in a 1:1 ratio between the experimental arm (ctDNA-based intervention) and the control arm (no intervention). In the experimental arm, the positive ctDNA result will be disclosed. To locate metastatic foci, patients will be offered to undergo whole-body imaging with 18 F-FDG and 68 Ga-FAPI-46-PET/CT, in addition to any other workup considered as relevant by their treating physician. If/when a clinical/radiological relapse is observed, systemic or local treatments will be decided by physicians (standard of care). In the control arm, patients and their treating physician will not be made aware of the molecular relapse and will continue the standard surveillance with repeated ctDNA test every 3 months (blinded). At the time of the clinical/radiological diagnosis of relapse, similar procedures will be performed ( 18 F-FDG & 68 Ga-FAPI-46-PET/CT). The primary endpoint is overall survival rate at 24 months after the randomization in the experimental arm while the control arm will serve as reference. Secondary endpoints include efficacy criteria like progression-free survival but also clinical features upon radiological/radiological relapse, or performance criteria of 68 Ga-FAPI-46 versus 18 F-FDG PET/CT. 1. Coombes, Clin Cancer Res. 2019. 2. Relton, BMJ. 2010. Clinical trial information: 06225505.