Correlation Clustering of Organoid Images

在生物和医学研究中，科学家现在经常获取数百个形态不同的器官样本的显微镜图像，然后面临着在图像集合中寻找模式的任务，即出现相似的器官子集，这些子集可能代表相同的形态类别。我们采用模型和算法来关联器官样本图像，即量化它们所描绘的器官的外观和几何相似性，并通过合并冲突的相关性来聚类器官样本图像。为了关联器官样本图像，我们采用并比较了两种选择，即部分二次分配问题和双网络。为了聚类器官样本图像，我们采用相关聚类问题。在实践中，我们学习这些模型的参数，推断出器官样本图像的聚类，并量化所推断聚类的准确性，与我们提供的最先进的手动聚类的生物学家的状态光学显微镜图像的训练集和测试集相关。

论文旨在解决生物和医学研究中的一个问题，即如何在数百个形态异质性的器官样品图像中找到相似的图像并进行聚类。

论文采用了两种不同的模型和算法，一种是部分二次分配问题，另一种是双网络，用于相关器官样品图像。然后使用相关聚类问题对器官样品图像进行聚类。

论文使用了最先进的光学显微镜图像数据集，通过人工聚类进行了训练集和测试集的准确性验证。此外，论文还提供了开源代码。

最近相关的研究包括使用深度学习的自动聚类方法和使用多模态图像的器官样品图像聚类。其中一些论文是：“Deep clustering of protein expression data”，“Multimodal image-based organoid clustering”等。