【问题标题】:Looking for a suggested Clustering technique寻找建议的聚类技术
【发布时间】:2018-09-01 11:32:18
【问题描述】:

我有一系列(比如说 1000 张)生物样本的图像……活细胞。在这个系列中,每个像素的数据将描述一个时间变量“波”,如果你愿意的话,给出光强度与时间的测量值。对该波执行 FFT 后,我将获得每个像素的频率内容和相位。

我的目标是能够找到测量单个单元格的所有像素,并且想知道某种聚类技术是否可以满足我的需求。在对 KMeans、DBSCAN 和其他一些研究进行了一些研究(我对聚类分析几乎一无所知)之后,我不确定如何继续。

这是我的标准:

  • 一个簇应该由连接的像素组成,最大尺寸为 大约 9-12 像素(这是由单元格的实际大小定义的 视野)。将更多像素放入群集可能意味着 集群包含多个单元,我更喜欢每个 集群来表示单个单元格。

  • 细胞以某种频率/相位发出信号(发光)。这些不一定是同步的,所以我认为这可能有助于分离单元/集群。

  • 每张图像中的细胞数量未知,因此簇的数量未知。

  • 图像被分割成更小的子图像以供分析(原因与此无关)。这些子图像将分别进行聚类分析。子图像约为 100 x 100 像素。

任何建议将不胜感激。我只是在寻求帮助以指明正确的方向。

【问题讨论】:

    标签: cluster-analysis k-means hierarchical-clustering dbscan


    【解决方案1】:

    可能最灵活的是经典的旧分层凝聚聚类 (HAC)。出于某种原因,人们总是忽略这种强大的方法,而更喜欢有限得多的 kmeans。

    HAC 非常适合参数化。它需要距离或相似度(这里的要求很少 - 可能应该是对称的,但不需要三角不等式)。通过连杆,您可以很好地控制簇的形状或直径。例如,通过完全链接,您可以控制集群的最大直径。这在这里可能很有用,也是我的建议。

    HAC 的主要缺点是 (1) 可扩展性:在 50.000 个实例时它会很慢并且使用太多内存,当然 (2) 你需要知道你想要做什么:你需要选择距离,链接,并切割树状图。使用 k-means,您只需选择 k 即可获得(坏)结果。

    DBSCAN 是一种很棒的算法,但在您的情况下,它可能会形成具有多个单元的集群。所以我宁愿尝试 OPTICS,它可能能够发现 DBSCAN 只能看到大斑点的子结构。

    【讨论】:

    • 谢谢,@Anony-Mousse。我没有听说过 OPTICS,所以我要做一些研究。再次感谢您的建议。
    • 尽管如此,HAC 可能是这里最好的方法。
    • 宾果游戏!在我的初步测试中,HAC 确实似乎工作得很好。谢谢。
    猜你喜欢
    • 1970-01-01
    • 2016-09-06
    • 2012-11-01
    • 2020-10-30
    • 1970-01-01
    • 2011-11-05
    • 1970-01-01
    • 2011-01-03
    • 2017-07-27
    相关资源
    最近更新 更多