Spatial Shrunken Centroids (2) 之 Spatially aware & Spatially aware structure-adaptive clustering

上一篇总结了Spatial Shrunken Centroids Segmentation的基本算法原理，其中涉及到Spatially aware & Spatially aware structure-adaptive clustering这两个聚类算法。算法来自一篇2013年bioinformatics上的文章 Efficient spatial segmentation of large imaging mass spectrometry datasets with spatially aware clustering。这里简单总结一下，以免忘太快了。

算法是用来进行质谱数据的聚类的，其创新点是在聚类时使用了Spatially aware distance。和普通计算两个点相似度不同，该方法考虑到了两个点半径为r内所有点的综合距离。具体计算方法如下所示：

简单来说就是计算了两个像素所有对应的近邻的距离，然后计算加权平均。对于SA,权重${\alpha }_{ij}$是普通的高斯加权，离中心点越远，权重越小；SASA是自适应加权，相比于SA，它还计算了近邻和中心的相似度，越不相似权重越小，以避免过度平滑。

但问题是这样计算，需要的空间复杂度太高了。因为每一个点都要计算加权之后和另外一个点的距离。所以本文就用了如下方法来降低空间复杂度 （参见下图）
1）假设r=1，则每一个像素需要考虑9个像素的intensity向量；
2）这九个像素的intensity向量本来是个$3\ast 3\ast d$的三维立方矩阵，加权之后把它展开，拼接成一个$1\ast (3\ast 3\ast d)$的一维向量；
3）所以对于所有n个像素，变换之后，可以得到一个$n\ast (3\ast 3\ast d)$矩阵，每一行都存放着加权的近邻intensity

4）但是这样带来的问题是，这维度也太高了。所以本文就用Fastmap进行了降维，将特征空间从$(3\ast 3\ast d)$维降到q维，然后k-means聚类；

整个算法过程如下图所示。如果看懂了上面的步骤，下图应该很容易理解、

Reference

1. Alexandrov, T., & Kobarg, J. H. (2011). Efficient spatial segmentation of large imaging mass spectrometry datasets with spatially aware clustering. Bioinformatics, 27(13), i230-i238. doi:10.1093/bioinformatics/btr246
2. Efficient spatial segmentation of large imaging mass spectrometry data sets with spatially-aware clustering - Theodore Alexandrov - ISMB/ECCB 2011 https://www.youtube.com/watch?v=_3U2Elt5CTI