点模式分类与spatstat:我做错了什么？
我试图使用spatstat将二元点模式分类成组。这些模式是从淋巴结与癌症的整体幻灯片图像中得出的。我训练了一个神经网络来识别三种类型的细胞(癌症“LP”，免疫细胞“bcell”和所有其他细胞)。我不想分析所有其他细胞，而是用它们来构造一个具有淋巴结形状的多边形窗口。因此，需要分析的模式是多角形窗口中的免疫细胞和癌细胞。每个模式可以有几个10k癌细胞和多达2mio免疫细胞。这种模式属于“小世界模式”，因为不可能在窗口外放置点。
我的分类应该基于癌细胞相对于免疫细胞的位置。例如，大多数癌细胞位于免疫细胞的“岛屿”上，但在某些情况下，癌细胞(似乎)均匀分布，只有少数免疫细胞。此外，在整个节点上，模式并不总是一致的。由于我对空间统计相当陌生，所以我开发了一种简单而粗糙的方法来对模式进行分类。这里简单地说：
- 我用
sigma=80计算了免疫细胞的核心密度，因为这对我来说“不错”。Den<-density(split(cells)$"bcell",sigma=80,window= cells$window)(我应该使用例如sigma=bw.scott吗？) - 然后，通过将密度范围划分为3个部分，创建了一个镶嵌图像(在这里，我再次尝试了这些间隔，以获得一些“好看的结果”)。
rangesDenMax<-2*range(Den)[2]/3
rangesDenMin<-range(Den)[2]/3
map.breaks<-c(-Inf,rangesDenMin,rangesDenMax,Inf)
map.cuts <- cut(Den, breaks = map.breaks, labels = c("Low B-cell density","Medium B-cell density", "High B-cell density"))
map.quartile <- tess(image = map.cuts,window=cells$window)
tessImage<-map.quartile这里是一些例子的图解与癌症细胞覆盖(白点)。左边的淋巴结有典型的均匀分布的免疫细胞“岛”，而右边的淋巴结只有几个密集的免疫细胞和癌细胞，不限于这些部位：
- 然后，我测量了一些愚蠢的变量，这应该给我一个关于癌细胞如何分布在镶嵌块上的线索(计算代码很简单，所以我只发布了我的变量的描述)：
LPlwB<-c() # proportion of cancer cells in low-b-cell-area
LPmdB<-c() # proportion of cancer cells in medium-b-cell-area
LPhiB<-c() # proportion of cancer cells in high-b-cell-area
AlwB<-c() # proportion of the low-b-cell area
AmdB<-c() # proportion of the medium-b-cell area
AhiB<-c() # proportion of the high-b-cell area
LPm1<-c() # mean distance to the 1st neighbour
LPm2<-c() # mean distance to the 2nd neighbour
LPm3<-c() # mean distance to the 3d neighbour
LPsd1<-c() # standard deviation of the mean distance to the 1st neighbour
LPsd2<-c() # standard deviation of the mean distance to the 2nd neighbour
LPsd3<-c() # standard deviation of the mean distance to the 3d neighbour
meanQ<-c() # mean quadratcount (I visually chose the quadrat size to be not too large and not too small)
sdevQ<-c() # standard deviation of the mean quadratcount
hiSAT<-c() # realised cancer cells saturation in high b-cell-area (number of cells observed divided by a number of cells, which could be fitted into the area considering the observed min distance between the cells)
mdSAT<-c() # realised cancer cells saturation in medium b-cell-area
lwSAT<-c() # realised cancer cells saturation in low b-cell-area
ll<-c() # Proportion LP neighbours of LP (contingency table count divided by total points)
lb<-c() # Proportion b-cell neighbours of LP
bl<-c() # Proportion b-cell neighbours of b-cells
bb<-c() # Proportion LP neighbours of b-cells- 我对变量进行z缩放，在PCA图上检查它们(向量指向不同的方向，如海胆针)，并进行了层次聚类分析。我通过计算
fviz_nbclust(scaled_variables, hcut, method = "silhouette")来选择k。在将树状图划分成k个簇并检查簇的稳定性后，我得到了我的组，这似乎是有意义的，因为有“岛”的情况是从“更分散的”情况中分离出来的。
然而，考虑到spatstat包的可能性，我强烈地想用智能手机把钉子钉在墙上。
回答 1
Stack Overflow用户
发布于 2021-04-29 09:21:45
你似乎在尝试量化癌细胞相对于免疫细胞的定位方式。你可以这样做
Cancer <- split(cells)[["LP"]]
Immune <- split(cells)[["bcell"]]
Dimmune <- density(Immune, sigma=80)
f <- rhohat(Cancer, Dimmune)
plot(f)然后，f是一个函数，它指示癌细胞的强度(单位面积的数量)作为免疫细胞密度的函数。图中显示的是垂直轴上的癌细胞密度，而水平轴上的免疫细胞密度。
如果这个函数的图形是平的，就意味着癌细胞没有注意到免疫细胞的密度。如果图表急剧下降，就意味着癌细胞倾向于避开免疫细胞。
我建议您首先查看一些示例数据集的f图，以确定f是否有能力区分您认为应该被归类为不同的空间排列。如果是这样的话，那么您可以使用as.data.frame提取f的值，然后使用经典的判别分析(etc)将幻灯片图像分类为组。
而不是density(Immune)，您可以使用任何其他的免疫细胞摘要。例如，D <- distfun(Immune)将给出与最近的免疫细胞的距离，然后f将计算癌细胞的密度，作为与最近的免疫细胞的距离的函数。诸若此类。
https://stackoverflow.com/questions/67298342
复制相似问题
腾讯云开发者
