1.本技术涉及质谱成像数据分析技术领域，更具体的说，是涉及一种感兴趣区域的划分方法、装置、设备及可读存储介质。
背景技术：2.质谱成像(msi)是一项新兴化学成像技术。质谱成像通过对样品表面各类化学组分(如蛋白质、多肽、脂质、代谢物、药物等)进行分离，输出质谱成像数据，质谱成像数据中的每个像素对应一张质谱图。质谱成像数据分析一般分为两种，第一种是在一个样本的不同感兴趣区域之间寻找差异化合物(如健康组织与疾病组织之间分子层面的变化)；第二种是在不同样本的相同感兴趣区域之间寻找差异化合物(如相同解剖结构在对照组和实验组之间分子层面的变化)。所以准确划定质谱成像数据的感兴趣区域(region of interest，roi)是对质谱成像数据分析的基本前提。
3.目前，多采用聚类方法划分质谱成像数据的感兴趣区域，具体的，基于“不同组织类型有不同的化学组分，而不同的化学组分生成不同的质谱图”的基本假设，根据像素点间质谱图的相似性进行聚类分析，即把质谱成像数据中的像素分为与感兴趣区域个数相同的簇，每个簇对应一个感兴趣区域。但是，现有的采用聚类方法划分质谱成像数据的感兴趣区域的方法，由于感兴趣区域个数是人为设定的，可能导致质谱成像数据的感兴趣区域的划分结果准确度较低。
4.因此，如何提升质谱成像数据的感兴趣区域的划分结果的准确度，成为本领域技术人员亟待解决的技术问题。
技术实现要素：5.鉴于上述问题，本技术提出了一种感兴趣区域的划分方法、装置、设备及可读存储介质,以提升质谱成像数据的感兴趣区域的划分结果的准确度。
6.具体方案如下：
7.一种感兴趣区域的划分方法，所述方法包括：
8.获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；
9.将所述生物组织切片染色图像划分为多个图像块；
10.针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果；计算所述第一聚类结果和所述第二聚类结果的一致性参数；
11.确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；
12.根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。
13.可选地，所述将所述生物组织切片染色图像划分为多个图像块，包括：
14.基于所述质谱成像数据与所述生物组织切片染色图像的像素映射关系，将所述生物组织切片染色图像划分为多个图像块，每个图像块对应所述质谱成像数据中的一个像素。
15.可选地，所述基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果，包括：
16.对所述质谱成像数据中各个像素的质谱图进行降维，得到降维后的质谱图谱；
17.采用聚类算法，基于所述感兴趣区域个数对对各个降维后的质谱图进行聚类，得到第一聚类结果。
18.可选地，所述基于所述感兴趣区域的个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果，包括：
19.对每个图像块进行特征提取，得到每个图像块的组织形态学特征向量，所述组织形态学特征向量中每个元素对应一个组织形态学特征在所述图像块的响应强度；
20.基于所述感兴趣区域的个数以及各个图像块的组织形态学特征向量，对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果。
21.可选地，所述对每个图像块进行特征提取，得到每个图像块的组织形态学特征向量，包括：
22.利用特征提取网络，对每个待处理图像块进行特征提取，得到每个待处理图像块的组织形态学特征向量，所述特征提取网络是利用自然图像数据集对卷积神经网络预训练得到的。
23.可选地，所述基于所述感兴趣区域的个数以及各个图像块的组织形态学特征向量，对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果，包括：
24.获取各个图像块在所述生物组织切片染色图像中的位置信息；
25.基于各个图像块在所述生物组织切片染色图像中的位置信息，以及各个图像块的组织形态学特征向量，生成形态学特征数据集；
26.基于所述形态学特征数据集，生成组织形态学特征空间分布图，所述组织形态学特征空间分布图中每个空间位置点对应一张组织形态特征谱；
27.对各个组织形态特征谱进行降维，得到降维后的组织形态特征谱；
28.采用聚类算法，基于所述感兴趣区域个数对各个降维后的组织形态特征谱进行聚类，得到第二聚类结果。
29.可选地，所述计算所述第一聚类结果和所述第二聚类结果的一致性参数，包括：
30.计算所述第一聚类结果和所述第二聚类结果的cohen’s kappa系数，作为所述第一聚类结果和所述第二聚类结果的一致性参数。
31.一种感兴趣区域的划分装置，所述装置包括：
32.获取单元，用于获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；
33.图像块划分单元，用于将所述生物组织切片染色图像划分为多个图像块；
34.聚类处理单元，用于针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述
生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果；计算所述第一聚类结果和所述第二聚类结果的一致性参数；
35.目标感兴趣区域个数确定单元，用于确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；
36.感兴趣区域的划分结果确定单元，用于根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。
37.一种感兴趣区域的划分设备，包括存储器和处理器；
38.所述存储器，用于存储程序；
39.所述处理器，用于执行所述程序，实现如上所述的感兴趣区域的划分方法的各个步骤。
40.一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的感兴趣区域的划分方法的各个步骤。
41.借由上述技术方案，本技术公开了一种感兴趣区域的划分方法、装置、设备及可读存储介质。获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；将所述生物组织切片染色图像划分为多个图像块；针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果，并计算所述第一聚类结果和所述第二聚类结果的一致性参数；确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。基于上述方案，从质谱成像数据和该质谱成像数据对应的生物组织切片染色图像两个方面分别采用不同感兴趣区域个数进行感兴趣区域划分，基于两个方面的感兴趣区域划分结果的一致性，定量地确定出目标感兴趣区域个数，基于该目标感兴趣区域个数对质谱成像数据划分的感兴趣区域，准确度最高。
附图说明
42.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
43.图1为本技术实施例公开的一种感兴趣区域的划分方法的流程示意图；
44.图2为本技术实施例公开的一种对基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类得到第一聚类结果的方法的流程示意图；
45.图3为本技术实施例公开的一种基于所述感兴趣区域的个数对所述生物组织切片染色图像中各个图像块进行聚类得到第二聚类结果的方法的流程示意图；
46.图4为本技术实施例公开的一种感兴趣区域的划分方法示例图；
47.图5为本技术实施例公开的一种感兴趣区域的划分装置结构示意图；
48.图6为本技术实施例公开的一种感兴趣区域的划分设备的硬件结构框图。
具体实施方式
49.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
50.接下来，通过下述实施例对本技术提供的感兴趣区域的划分方法进行介绍。
51.参照图1，图1为本技术实施例公开的一种感兴趣区域的划分方法的流程示意图，该方法可以包括：
52.步骤s101：获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数。
53.在本技术中，与质谱成像数据对应的生物组织切片染色图像可以为采用各种生物成像方式得到的，比如，光学显微镜成像、双光子成像等，对此，本技术不进行任何限定。
54.感兴趣区域个数与后续聚类时的类别是一致的，比如，感兴趣区域个数为2，则后续聚类时则有2个簇，感兴趣区域个数为3，则后续聚类时则有3个簇。在本技术中，可以预设多个感兴趣区域个数，比如，可以预设四个感兴趣区域个数，分别为2、3、4、5。
55.需要说明的是，待划分感兴趣区域的质谱成像数据可以为对原始质谱成像数据进行预处理后得到的，对原始质谱成像数据进行预处理的方式可以为：调用cardinal2库对质谱成像数据进行归一化、谱平滑、基线修正以及谱峰的提取、准直、过滤和分箱。
56.与所述质谱成像数据对应的生物组织切片染色图像可以为对原始生物组织切片染色图像进行预处理后得到的，对原始生物组织切片染色图像进行预处理的方式可以为：调用histomicstk库对显微数据进行样本组织-背景分割、颜色归一化、颜色去卷积等处理。
57.步骤s102：将所述生物组织切片染色图像划分为多个图像块。
58.在本技术中，作为一种可实施方式，可以基于所述质谱成像数据与所述生物组织切片染色图像的像素映射关系，将所述生物组织切片染色图像划分为多个图像块，每个图像块中的像素对应所述质谱成像数据中的一个像素。
59.所述质谱成像数据与所述生物组织切片染色图像的像素映射关系可以使用simpleitk库构建仿射变换函数实现。
60.步骤s103：针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果；计算所述第一聚类结果和所述第二聚类结果的一致性参数。
61.需要说明的是，第一聚类结果用于指示质谱成像数据中各个像素的聚类标签，第二聚类结果用于指示生物组织切片染色图像中各个图像块的聚类标签。计算所述第一聚类结果和所述第二聚类结果的一致性参数的目的是实现聚类结果间的交叉验证。
62.在本技术中，作为一种可实施方式，可以计算所述第一聚类结果和所述第二聚类结果的cohen’s kappa系数，作为所述第一聚类结果和所述第二聚类结果的一致性参数。作为另一种可实施方式，可以计算所述第一聚类结果和所述第二聚类结果的互信息(mutual information)，作为所述第一聚类结果和所述第二聚类结果的一致性参数。
63.经过该步骤，即可得到每个感兴趣区域个数对应的第一聚类结果、第二聚类结果
以及一致性参数。
64.步骤s104：确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数。
65.一致性参数越高，表明第一聚类结果和第二聚类结果的一致性越高，最大的一致性参数对应的感兴趣区域个数得到了两种相互独立的生物成像模态的共同确认，准确度较高。
66.步骤s105：根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。
67.在本技术中，作为一种可实施方式，可以将所述目标感兴趣区域个数对应的第一聚类结果，作为所述质谱成像数据的感兴趣区域的划分结果。
68.作为另一种可实施方式，可以将所述目标感兴趣区域个数对应的第一聚类结果中，所述质谱成像数据中与所述目标感兴趣区域个数对应的第二聚类结果中生物组织切片染色图像中各个图像块的聚类标签相同的像素的聚类标签作为有较高可信度的结果输出，将所述目标感兴趣区域个数对应的第一聚类结果中，所述质谱成像数据中聚类标签与所述目标感兴趣区域个数对应的第二聚类结果中生物组织切片染色图像中各个图像块的聚类标签不同的像素的聚类标签作为低可信度的结果输出。
69.本实施例公开了一种感兴趣区域的划分方法。获取待划分感兴趣区域的质谱成像数据、与所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；将所述生物组织切片染色图像划分为多个图像块；针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果，并计算所述第一聚类结果和所述第二聚类结果的一致性参数；确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。基于上述方案，从质谱成像数据和该质谱成像数据对应的生物组织切片染色图像两个方面分别采用不同感兴趣区域个数进行感兴趣区域划分，基于两个方面的感兴趣区域划分结果的一致性，定量地确定出目标感兴趣区域个数，基于该目标感兴趣区域个数对质谱成像数据划分的感兴趣区域，准确度最高。
70.在本技术的另一个实施例中，对基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果的过程进行了详细介绍。
71.参照图2，图2为本技术实施例公开的一种对基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类得到第一聚类结果的方法的流程示意图，该方法可以包括：
72.步骤s201：对所述质谱成像数据中各个像素的质谱图进行降维，得到降维后的质谱图谱。
73.在本技术中，可以使用非线性降维算法，或，线性降维算法，对所述质谱成像数据中各个像素的质谱图进行降维，得到降维后的质谱图谱。
74.非线性降维算法有t-sne(t-distributed stochastic neighbor embedding)算法、umap(uniform manifold approximation and projection，统一流形逼近与投影)算法等；
analysis，独立成分分析)等。
90.步骤s306：采用聚类算法，基于所述感兴趣区域个数对各个降维后的组织形态特征谱进行聚类，得到第二聚类结果。
91.在本技术中，所述聚类算法，可以包括：kmeans、层次聚类、基于密度的聚类方法、用高斯混合模型的最大期望聚类、图团体检测、均值漂移聚类中的任意一种。
92.需要说明的是，本步骤中采用的聚类算法需要与步骤s202中采用的聚类算法一致。
93.为便于理解，请参阅图4，图4为本技术实施例公开的一种感兴趣区域的划分方法示例图。如图4所示，(a)部分为基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果的示意图，(b)部分为基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果的示意图。
94.下面对本技术实施例公开的感兴趣区域的划分装置进行描述，下文描述的感兴趣区域的划分装置与上文描述的感兴趣区域的划分方法可相互对应参照。
95.参照图5，图5为本技术实施例公开的一种感兴趣区域的划分装置结构示意图。如图5所示，该感兴趣区域的划分装置可以包括：
96.获取单元11，用于获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；
97.图像块划分单元12，用于将所述生物组织切片染色图像划分为多个图像块；
98.聚类处理单元13，用于针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果；计算所述第一聚类结果和所述第二聚类结果的一致性参数；
99.目标感兴趣区域个数确定单元14，用于确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；
100.感兴趣区域的划分结果确定单元15，用于根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。
101.参照图6，图6为本技术实施例提供的感兴趣区域的划分设备的硬件结构框图，参照图6，感兴趣区域的划分设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
102.在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
103.处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
104.存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
105.其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
106.获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；
107.将所述生物组织切片染色图像划分为多个图像块；
108.针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果；计算所述第一聚类结果和所述第二聚类结果的一致性参数；
109.确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；
110.根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。
111.可选的，所述程序的细化功能和扩展功能可参照上文描述。
112.本技术实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
113.获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；
114.将所述生物组织切片染色图像划分为多个图像块；
115.针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果；计算所述第一聚类结果和所述第二聚类结果的一致性参数；
116.确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；
117.根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。
118.可选的，所述程序的细化功能和扩展功能可参照上文描述。
119.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
120.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
121.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
技术特征：1.一种感兴趣区域的划分方法，其特征在于，所述方法包括：获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；将所述生物组织切片染色图像划分为多个图像块；针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果；计算所述第一聚类结果和所述第二聚类结果的一致性参数；确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。2.根据权利要求1所述的方法，其特征在于，所述将所述生物组织切片染色图像划分为多个图像块，包括：基于所述质谱成像数据与所述生物组织切片染色图像的像素映射关系，将所述生物组织切片染色图像划分为多个图像块，每个图像块中的像素对应所述质谱成像数据中的一个像素。3.根据权利要求1所述的方法，其特征在于，所述基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果，包括：对所述质谱成像数据中各个像素的质谱图进行降维，得到降维后的质谱图谱；采用聚类算法，基于所述感兴趣区域个数对各个降维后的质谱图进行聚类，得到第一聚类结果。4.根据权利要求1所述的方法，其特征在于，所述基于所述感兴趣区域的个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果，包括：对每个图像块进行特征提取，得到每个图像块的组织形态学特征向量，所述组织形态学特征向量中每个元素对应一个组织形态学特征在所述图像块的响应强度；基于所述感兴趣区域的个数以及各个图像块的组织形态学特征向量，对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果。5.根据权利要求4所述的方法，其特征在于，所述对每个图像块进行特征提取，得到每个图像块的组织形态学特征向量，包括：利用特征提取网络，对每个待处理图像块进行特征提取，得到每个待处理图像块的组织形态学特征向量，所述特征提取网络是利用自然图像数据集对卷积神经网络预训练得到的。6.根据权利要求4所述的方法，其特征在于，所述基于所述感兴趣区域的个数以及各个图像块的组织形态学特征向量，对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果，包括：获取各个图像块在所述生物组织切片染色图像中的位置信息；基于各个图像块在所述生物组织切片染色图像中的位置信息，以及各个图像块的组织形态学特征向量，生成形态学特征数据集；基于所述形态学特征数据集，生成组织形态学特征空间分布图，所述组织形态学特征
空间分布图中每个空间位置点对应一张组织形态特征谱；对各个组织形态特征谱进行降维，得到降维后的组织形态特征谱；采用聚类算法，基于所述感兴趣区域个数对各个降维后的组织形态特征谱进行聚类，得到第二聚类结果。7.根据权利要求1所述的方法，其特征在于，所述计算所述第一聚类结果和所述第二聚类结果的一致性参数，包括：计算所述第一聚类结果和所述第二聚类结果的cohen’s kappa系数，作为所述第一聚类结果和所述第二聚类结果的一致性参数。8.一种感兴趣区域的划分装置，其特征在于，所述装置包括：获取单元，用于获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；图像块划分单元，用于将所述生物组织切片染色图像划分为多个图像块；聚类处理单元，用于针对每个感兴趣区域个数，基于所述感兴趣区域个数对所述质谱成像数据中各个像素进行聚类，得到第一聚类结果；基于所述感兴趣区域个数对所述生物组织切片染色图像中各个图像块进行聚类，得到第二聚类结果；计算所述第一聚类结果和所述第二聚类结果的一致性参数；目标感兴趣区域个数确定单元，用于确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；感兴趣区域的划分结果确定单元，用于根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。9.一种感兴趣区域的划分设备，其特征在于，包括存储器和处理器；所述存储器，用于存储程序；所述处理器，用于执行所述程序，实现如权利要求1至7中任一项所述的感兴趣区域的划分方法的各个步骤。10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的感兴趣区域的划分方法的各个步骤。
技术总结本申请公开了一种感兴趣区域的划分方法、装置、设备及可读存储介质。获取待划分感兴趣区域的质谱成像数据、所述质谱成像数据对应的生物组织切片染色图像以及多个感兴趣区域个数；将所述生物组织切片染色图像划分为多个图像块；针对每个感兴趣区域个数，得到每个感兴趣区域个数对应的第一聚类结果、第二聚类结果以及一致性参数；确定最大的一致性参数对应的感兴趣区域个数为目标感兴趣区域个数；根据所述目标感兴趣区域个数对应的第一聚类结果和第二聚类结果，得到所述质谱成像数据的感兴趣区域的划分结果。基于上述方案，能够定量地确定出目标感兴趣区域个数，因此，能够提升质谱成像数据的感兴趣区域的划分结果的准确度。成像数据的感兴趣区域的划分结果的准确度。成像数据的感兴趣区域的划分结果的准确度。
技术研发人员：罗茜 郭昂 陈志宇 李芳
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：2022.05.18
技术公布日：2022/7/5
