基于组合聚类的cDNA微阵列图像分割方法

通过同时分析数千种基因表达,微阵列技术在得出有用的生物学结论中起着重要作用。 特别地,图像分析是微阵列分析中的关键步骤,其准确性在很大程度上取决于分割。 基于聚类的分割的开创性工作表明,k-means聚类算法和移动k-means聚类算法是微阵列图像处理中的两种常用方法。 然而,由于真实的微阵列图像包含大小,形状和对比度不同的噪声,伪像和斑点,因此它们通常面临令人满意的结果。 为了提高分割精度,在本文中,我们提出了一种基于组合聚类的分割方法,该方法可能更可靠并且能够自动分割斑点。 首先,这种新方法从一个非常简单但有效的对比度增强操作开始,以改善图像质量。 然后,应用基于最大类间方差的自动网格化将斑点分离为独立区域。 接下来,在每个光斑区域中,首先进行移动k均值聚类以将光斑与背景分离,然后针对无法获得整个边界的那些光斑组合k均值聚类算法。 最后,使用细化步骤来替换错误的分割和不可分割的缺失点。 此外,在来自六个不同数据集的cDNA微阵列图像上,对改进的方法与其他四种分割算法(边缘检测,阈值,k-均值聚类和移动k-均值聚类)之间进行了定量比较。 在六种不同数据集上进行的实验:1)斯坦福大学微阵列数据库(SMD),2)基因表达综合(GEO),3)贝勒医学院(BCM),4)瑞士生物信息学研究所(SIB),5)乔·德里斯(Joe DeRisi)的个人tiff文件(DeRisi)和6)加利福尼亚大学旧金山分校(UCSF)指出,改进的方法更健壮,并且对薄弱点敏感。 更重要的是,与其他四种方法相比,在存在噪声,伪影和弱表达斑点的情况下,它可以获得更高的分割精度。