Resumen

Este estudio investiga un novedoso método de clasificación para la caracterización tumoral de glioblastomas mediante RM 3D multimodal. Formulamos nuestro problema de segmentación como un modelo de mezcla lineal (LMM). Así, proporcionamos una matriz no negativa M de cada corte de RM en cada paso del proceso de segmentación. Esta matriz se utilizará como entrada en el primer proceso de segmentación para extraer la región de edema de las modalidades T2 y FLAIR. Después, en el resto de procesos de segmentación, extraemos la región de edema de la modalidad T1c, generamos la matriz M y segmentamos la necrosis, el tumor realzado y las regiones tumorales no realzadas. En el proceso de segmentación, aplicamos una agrupación NMF de rango dos. Hemos ejecutado nuestro método de caracterización de tumores en el conjunto de datos del desafío BraTS 2015. Las evaluaciones cuantitativas y cualitativas sobre el conjunto de datos públicos de entrenamiento y prueba del desafío de segmentación cerebral multimodal MICCAI 2015 (BraTS 2015) atestiguaron que el algoritmo propuesto podría producir un rendimiento competitivo para la caracterización de glioblastomas cerebrales (necrosis, núcleo tumoral y edema) entre varios métodos competidores.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:región edematosa, proceso de segmentación, caracterización tumoral de glioblastomas por RM 3D multimodal, desafío de segmentación cerebral multimodal, caracterización de glioblastomas cerebrales, primer proceso de segmentación, modelo lineal mixto, regiones tumorales no realzadas, matriz M no negativa, método de clasificación novedoso.
• Keywords:edema region, segmentation process, 3D multimodal MRI glioblastomas tumor characterization, multimodal brain segmentation challenge, brain glioblastomas characterization, first segmentation process, linear mixture model, nonenhanced tumor regions, nonnegative matrix M, novel classification method