[发明专利]一种仿射传播聚类的细胞分类方法

说明书

技术领域

本发明涉及图像处理、生物医学、计算机视觉、计算方法，尤其是一种针对细胞图像分割后的细胞分类方法。

背景技术

细胞图像的分割目的是提取出细胞体，在成功分割出细胞体后，可以将图像信息转换成数值量，也就是本文第四章完成的工作。尽管不同的分割方法分割效果大相径庭，但都能获得细胞单体，之后完成细胞单体转换成数字统计量，也就是形态参数。大部分研究成果只提出了分割的思想或统计形态参数，致使研究学者必须面对海量的数据，增加了研究难度和分析时间。

商业细胞形态分析软件——IMT组织形态学分析软件，对于细胞形态参数的分析也仅停留在参数统计阶段。首先该软件对于分割效果来说并不理想，没有分割出全部的目标体。其次，更没有给出如何分类细胞。在此错误结果上完成的细胞统计，对于研究者来说的意义聊胜于无。

传统的细胞形态分析方法存在的缺陷：1、面对海量数据，实时性差、计算复杂度高；2、无法进行细胞分类。

发明内容

为了克服已有的细胞形态分析方法的计算复杂度高、实时性差、无法进行细胞分类的不足，本发明提供一种适合于处理海量数据、实时性良好、能有效进行细胞分类的仿射传播聚类的细胞分类方法。

本发明解决其技术问题所采用的技术方案是：

一种仿射传播聚类的细胞分类方法，所述细胞分类方法包括以下步骤：

1)、选取细胞图像的圆形度参数C和矩形度参数R，设计样本坐标X_sample＝λ·C+(1-λ)·R，其中λ代表先验输入值；选取细胞图像的面积参数Area作为另一样本坐标Y_sample，选取细胞图像的核质比参数prop作为再一样本坐标Z_sample；

2)、以所述三维的样本坐标的欧式距离作为样本距离，对于样本点x_i和x_k，i≠k，S(i，k)＝-||x_i-x_k||²，仿射传播聚类的S矩阵的对角线取值为各个样本间距离的平均值；

3)、初始情况下，设置归属度矩阵A(i，k)＝0，更新矩阵R，R(i，k)＝S(i，k)-max{A(i，k′)+S(i，k′)}，其中k′≠k；更新矩阵A，A(i，k)＝min{0，R(k，k)+∑max{0，R(i′，k)}}，其中i′≠i，k；(注：R(i，k)描述数据点k适合作为样本点i的聚类中心的程度；A(i，k)描述样本点i选择样本点k作为其聚类中心的适合程度；i′为更新的样本点，k′为竞争聚类中心)；

4)、在迭代设定次数后停止，从分类结果得到不同类型的细胞。

进一步，所述步骤4)中，在同一类型的细胞中选出聚类中心，所述聚类中心对应的细胞为具有代表性的形态参数的典型细胞。

本发明的技术构思为：仿射传播(Affinity Propagation)是近期提出的一种先进快速的聚类算法。仿射传播将各个样本间的相似度用实数表示，N个样本的相似度矩阵S为N×N，其中元素S(i，k)表示点k被选择作为点i的聚类点的倾向度。对于样本点，S(i，k)的取值理解为样本距离，在欧式空间中，对于空间内的两点，欧氏距离可以当作两样本间的样本距离。由于聚类的目的是使方差最小化，因此对于点x_i和x_k，s(i，k)＝-||x_i-x_k||²。

将负的两个点之间距离设想为吸引度或归属度，则点k对较近的点i吸引力比较大，同样点i认同点k为其聚类中心的归属度也较大。这样，处于聚类中心处的数据点k对其他数据点的吸引力之和较大，成为聚类中心的可能性也越大；反之，处于聚类边缘处的数据点对其他数据点的吸引力之和比较小，成为聚类中心的可能性也越小。

由此可知，仿射聚类算法为选出合适的聚类中心而不断从样本数据中搜集累积的证据：为候选聚类中心点k从每个样本点i搜集证据R(i，k)来描述数据点k适合作为样本点i的聚类中心的程度，也为样本点i从候选聚类中心点k搜集证据A(i，k)(称为点i对点k的归属度)来描述样本点i选择样本点k作为其聚类中心的适合程度。累积证据越强，即R(i，k)与A(i，k)越大，样本点k作为最终聚类中心的可能性就越大。

仿射聚类算法流程如下：

1、设置相似度矩阵S，对角线上的值代表该点作为潜在聚类中心的可能性，该值越大，说明该点被选择聚类中心的倾向度越大。

2、初始情况下，设置归属度矩阵A(i，k)＝0。