Episodio
Diferenciación del tejido tumor cerebral mediante factorización jerárquica de matriz no negativa
con Nicolas Sauwen
useR!2017: Diferenciación del tejido del tumor cerebral...
**Palabras clave**: factorización de matriz no negativa, imágenes de resonancia magnética, tumor cerebral
El tratamiento de tumores cerebrales es complicado por su alto grado de heterogeneidad. Varias fases de la enfermedad pueden producirse a lo largo de la misma lesión, y las transiciones entre las regiones del tejido patológico (es decir, tumor activo, necrosis y hinchazón) son difusos [@price2006improved]. La práctica clínica podría beneficiarse de un método preciso y reproducible para diferenciar el tejido del tumor cerebral en función de los datos de imágenes médicas.
Presentamos una variante jerárquica de factorización de matriz no negativa (hNMF) para caracterizar tumores cerebrales mediante datos de resonancia magnética (RMN) multiparamétricos [@sauwen2015hierarchical]. La factorización de matriz no negativa (NMF) descompone una matriz de entrada no negativa *X* en dos matrices de factor *W* y *H*, lo que proporciona una representación basada en partes de los datos de entrada. En el contexto actual, las columnas de *X* corresponden a los vóxeles de imagen y las filas representan los distintos parámetros de RMN. Las columnas de *W* representan firmas específicas del tejido y las filas de *H* contienen las abundancias relativas por tipo de tejido sobre los diferentes vóxeles.
**hNMF** está disponible como un paquete *R* en CRAN y compatible con el paquete **NMF**. Además de los algoritmos de NMF estándar que vienen con el paquete **NMF**, se implementó un algoritmo NMF eficiente denominado NMF alternante jerárquico de nmF y se usó dentro del marco hNMF. hNMF se puede usar como técnica general de factorización de matriz, pero en el contexto de esta charla se mostrará que las firmas de tejido válidas se obtienen mediante hNMF. Las abundancias de tejido se pueden asignar de nuevo al dominio de creación de imágenes, proporcionando diferenciación de tejido sobre una base de vóxel (véase la figura 1).
! [Figura 1: mapas de abundancia hNMF de las regiones patológicas del tejido patológico de un paciente gliético. De izquierda a derecha: imagen de fondo ponderada de T~1~ con región de interés (marco verde); mapa de abundancia tumor activo; abundancia mapa necrsis; mapa de abundancia hinchazón.](./Assembly.png)
useR!2017: Diferenciación del tejido del tumor cerebral...
**Palabras clave**: factorización de matriz no negativa, imágenes de resonancia magnética, tumor cerebral
El tratamiento de tumores cerebrales es complicado por su alto grado de heterogeneidad. Varias fases de la enfermedad pueden producirse a lo largo de la misma lesión, y las transiciones entre las regiones del tejido patológico (es decir, tumor activo, necrosis y hinchazón) son difusos [@price2006improved]. La práctica clínica podría beneficiarse de un método preciso y reproducible para diferenciar el tejido del tumor cerebral en función de los datos de imágenes médicas.
Presentamos una variante jerárquica de factorización de matriz no negativa (hNMF) para caracterizar tumores cerebrales mediante datos de resonancia magnética (RMN) multiparamétricos [@sauwen2015hierarchical]. La factorización de matriz no negativa (NMF) descompone una matriz de entrada no negativa *X* en dos matrices de factor *W* y *H*, lo que proporciona una representación basada en partes de los datos de entrada. En el contexto actual, las columnas de *X* corresponden a los vóxeles de imagen y las filas representan los distintos parámetros de RMN. Las columnas de *W* representan firmas específicas del tejido y las filas de *H* contienen las abundancias relativas por tipo de tejido sobre los diferentes vóxeles.
**hNMF** está disponible como un paquete *R* en CRAN y compatible con el paquete **NMF**. Además de los algoritmos de NMF estándar que vienen con el paquete **NMF**, se implementó un algoritmo NMF eficiente denominado NMF alternante jerárquico de nmF y se usó dentro del marco hNMF. hNMF se puede usar como técnica general de factorización de matriz, pero en el contexto de esta charla se mostrará que las firmas de tejido válidas se obtienen mediante hNMF. Las abundancias de tejido se pueden asignar de nuevo al dominio de creación de imágenes, proporcionando diferenciación de tejido sobre una base de vóxel (véase la figura 1).
! [Figura 1: mapas de abundancia hNMF de las regiones patológicas del tejido patológico de un paciente gliético. De izquierda a derecha: imagen de fondo ponderada de T~1~ con región de interés (marco verde); mapa de abundancia tumor activo; abundancia mapa necrsis; mapa de abundancia hinchazón.](./Assembly.png)
¿Quiere hacer algún comentario? Comunique un problema aquí.