CN110363747A - 智能化异常细胞判断方法、装置及计算机可读存储介质 - Google Patents
智能化异常细胞判断方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110363747A CN110363747A CN201910520871.9A CN201910520871A CN110363747A CN 110363747 A CN110363747 A CN 110363747A CN 201910520871 A CN201910520871 A CN 201910520871A CN 110363747 A CN110363747 A CN 110363747A
- Authority
- CN
- China
- Prior art keywords
- cell
- collection
- cell collection
- abnormal cell
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 210000004400 mucous membrane Anatomy 0.000 claims description 28
- 230000028327 secretion Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 26
- 238000004043 dyeing Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 16
- 239000012141 concentrate Substances 0.000 claims description 8
- 238000011946 reduction process Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 abstract description 21
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 260
- 230000002708 enhancing effect Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000011521 glass Substances 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- WZUVPPKBWHMQCE-XJKSGUPXSA-N (+)-haematoxylin Chemical compound C12=CC(O)=C(O)C=C2C[C@]2(O)[C@H]1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-XJKSGUPXSA-N 0.000 description 2
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Natural products C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007790 scraping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000005859 cell recognition Effects 0.000 description 1
- 208000019065 cervical carcinoma Diseases 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种人工智能技术，揭露了一种智能化异常细胞判断方法，包括：获取细胞集及标签集，对所述细胞集进行预处理操作，基于多阈值分割模型对所述预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集，基于所述多级灰度细胞集计算海森矩阵并得到九通道细胞集，将所述九通道细胞集及所述标签集输入至异常细胞判断模型中训练，直至所述异常细胞判断模型满足预设训练退出条件后退出训练，接收用户的细胞图片，并输入至所述异常细胞判断模型中判断所述细胞是否包括异常细胞并输出判断结果，完成智能化异常细胞判断。本发明还提出一种智能化异常细胞判断装置以及一种计算机可读存储介质。本发明可以实现精准的智能化异常细胞判断功能。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种智能化异常细胞判断方法、装置及计算机可读存储介质。
背景技术
异常细胞，如癌细胞，往往是人类产生重大病情的导火索，据调查显示，全世界每年有50万新发病例和27.4万死亡病例，其中85％的新发病例是由于前期识别异常细胞的识别率低下的原因。特别地，***是目前唯一可以早发现并治愈的癌症，因此早期识别对于病情的治疗相当关键。细胞液检查方法是目前最常用的异常细胞识别方法，但在中国由于缺乏病理医生和细胞检测设备，对异常的识别率很低；另外有各种人工辅助识别的设备***，但多数辅助识别***一般基于传统方法，所述传统方法依靠细胞质或者细胞核的精确分割和传统图像处理算法进行特征提取与选择，因此识别的前期处理繁琐，且识别率并不高。
发明内容
本发明提供一种智能化异常细胞判断方法、装置及计算机可读存储介质，其主要目的在于当用户输入细胞图片或视频时，可精简快速并准确的判断所述细胞图片或视频中是否包括异常细胞并输出判断结果。
为实现上述目的，本发明提供的一种智能化异常细胞判断方法，包括：
获取细胞集及标签集，对所述细胞集进行包括降噪、对比度增强的预处理操作；
基于多阈值分割模型对预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集；
基于所述多级灰度细胞集计算海森矩阵并得到九通道细胞集；
将所述九通道细胞集及所述标签集输入至异常细胞判断模型中训练，直至所述异常细胞判断模型满足预设训练退出条件后退出训练；
接收用户的细胞图片，并输入至所述异常细胞判断模型中判断所述细胞是否包括异常细胞并输出判断结果。
可选地，所述获取细胞集包括：
获取细胞的粘膜及分泌物；
对所述粘膜及分泌物进行染色处理；
拍摄进行染色处理之后的所述细胞的粘膜及分泌物得到所述细胞集。
可选地，所述降噪采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述细胞集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述细胞集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述细胞集，为所述细胞集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
可选地，所述基于多阈值分割模型对所述预处理操作完成的细胞集进行图像分割，包括：
遍历预处理操作完成的所述细胞集内图像像素的灰度值，统计每个灰度值出现的次数，并基于总像素数量计算每个灰度值的出现概率；
基于预设阈值区间和所述每个灰度值的出现概率计算得到类间方差集，并选择所述类间方差集中数值最大的类间方差重置所述细胞集的灰度区间，得到多级灰度细胞集。
可选地，所述类间方差集σT为：
其中，T为所述预设阈值区间，T＝{t1，t2，...tm}，t1，t2，...tm分别表示预设阈值，且t1，t2直到tm呈递增形式，t1不小于数值0，tm不大于数值255，表示不同预设阈值区间内所述每个灰度值的出现概率，表示不同预设阈值区间的灰度均值。
此外，为实现上述目的，本发明还提供一种智能化异常细胞判断装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的智能化异常细胞判断程序，所述智能化异常细胞判断程序被所述处理器执行时实现如下步骤：
获取细胞集及标签集，对所述细胞集进行包括降噪、对比度增强的预处理操作；
基于多阈值分割模型对预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集；
基于所述多级灰度细胞集计算海森矩阵并得到九通道细胞集；
将所述九通道细胞集及所述标签集输入至异常细胞判断模型中训练，直至所述异常细胞判断模型满足预设训练退出条件后退出训练；
接收用户的细胞图片，并输入至所述异常细胞判断模型中判断所述细胞是否包括异常细胞并输出判断结果。
可选地，所述获取细胞集包括：
获取细胞的粘膜及分泌物；
对所述粘膜及分泌物进行染色处理；
拍摄进行染色处理之后的所述细胞的粘膜及分泌物得到所述细胞集。
可选地，所述降噪采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述细胞集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述细胞集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述细胞集，为所述细胞集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
可选地，所述基于多阈值分割模型对所述预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集，包括：
遍历预处理操作完成的所述细胞集内图像像素的灰度值，统计每个灰度值出现的次数，并基于总像素数量计算每个灰度值的出现概率；
基于预设阈值区间和所述每个灰度值的出现概率计算得到类间方差集，并选择所述类间方差集中数值最大的类间方差重置所述细胞集的灰度区间，得到多级灰度细胞集。
可选地，所述类间方差集σT为：
其中，T为所述预设阈值区间，T＝{t1，t2，...tm}，t1，t2，...tm分别表示预设阈值，且t1，t2直到tm呈递增形式，t1不小于数值0，tm不大于数值255，表示不同预设阈值区间内所述每个灰度值的出现概率，表示不同预设阈值区间的灰度均值。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有智能化异常细胞判断程序，所述智能化异常细胞判断程序可被一个或者多个处理器执行，以实现如上所述的智能化异常细胞判断方法的步骤。
本发明提出的智能化异常细胞判断方法、装置及计算机可读存储介质中，所述降噪处理可减少噪声对细胞图像的影响，通过海森矩阵计算得到九通道细胞集，可进一步提高对细胞的特征提取，最大化利用已有的细胞特征，同时本发明所述的异常细胞判断模型具有优异的特征分析能力，可高效准确的分析出图片中是否包含异常细胞，因此本发明可以实现精准的智能化异常细胞判断功能。
附图说明
图1为本发明一实施例提供的智能化异常细胞判断方法的流程示意图；
图2为本发明一实施例提供的智能化异常细胞判断装置的内部结构示意图；
图3为本发明一实施例提供的智能化异常细胞判断装置中智能化异常细胞判断程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种智能化异常细胞判断方法。参照图1所示，为本发明一实施例提供的智能化异常细胞判断方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，所述智能化异常细胞判断方法包括：
S1、获取细胞集及标签集，对所述细胞集进行包括降噪、对比度增强的预处理操作。
其中，所述获取细胞集的操作包括：获取细胞的粘膜及分泌物，对所述粘膜及分泌物进行染色处理，拍摄进行染色处理之后的所述细胞的粘膜及分泌物得到所述细胞集，并分别标注所述细胞集中每张图片中是否包含有异常细胞，得到所述标签集。
较佳地，本发明基于刮片在待检测细胞部位旋转一周获取所述待检测细胞的粘膜及分泌物，并将所述粘膜及分泌物涂抹至有机玻璃上并进行染色处理，同时调取显微设备拍摄所述有机玻璃内的粘膜及分泌物细胞，并最终得到所述细胞集。
优选地，所述染色处理先将所述涂抹有粘膜及分泌物的有机玻璃固定于酒***体中，然后放置苏木素染色剂至所述酒***体中，并最终达到将所述粘膜及分泌物内的细胞进行染色的目的。
本发明较佳实施例，所述降噪采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述细胞集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述细胞集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述细胞集，为所述细胞集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
进一步地，所述对比度增强的目的是增大所述细胞集图片中亮度最大值与最小值之间的差值，因为对比度低的细胞会影响后续异常细胞的判断。较佳地，所述对比度增强采用如下方法：
Db＝f(Da)＝a*Da+b
其中a为线性斜率，b为在Y轴上的截距，若a＞1，此时输出的图像对比度相比原图像的对比度是增强的，若a＜1，此时输出的图像对比度相比原图像的对比度是减小的，其中Da代表所述细胞集的灰度值，Db代表输出的细胞集灰度值。
S2、基于多阈值分割模型对预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集。
优选地，本发明较佳实施例遍历预处理操作完成的所述细胞集内图像像素的灰度值，统计每个灰度值出现的次数，并基于所述细胞集总像素数量计算每个灰度值的出现概率，基于预设阈值区间和所述每个灰度值的出现概率计算得到类间方差集，并选择所述类间方差集中数值最大的类间方差重置所述细胞集的灰度区间，得到多级灰度细胞集。
进一步地，所述每个灰度值的出现概率的计算方法为：
其中，titi+1属于t1，t2，...tm，而t1，t2，...tm分别表示预设阈值，且t1，t2直到tm呈递增形式，t1不小于数值0，tm不大于数值255，进一步地：
其中，ni为所述每个灰度值的出现次数，i在0～255范围内，N为灰度值的总出现次数。
较佳地，所述类间方差集σT为
其中，T为所述预设阈值区间，T＝{t1，t2，...tm}，t1，t2，...tm分别表示预设阈值，且t1，t2直到tm呈递增形式，t1不小于数值0，tm不大于数值255，表示不同预设阈值区间内所述每个灰度值的出现概率，表示不同预设阈值区间的灰度均值。
进一步地，所述重置所述细胞集的灰度区间的重置方法为：
其中，t1σTmax为所述最大的类间方差，I(x，y)为所述细胞集的灰度值，(x，y)为所述细胞集中各像素坐标。例如当像素坐标为(2，3)的灰度值I(2，3)＝4时，判断4的灰度值在区间t1＜I(2，3)≤t2，则按照上述重置方法计算出新的灰度值，依次计算其他像素，直至最终得到多级灰度细胞集。
S3、基于所述多级灰度细胞集计算海森矩阵并得到九通道细胞集。
所述海森矩阵是由图像的高阶微分构造而成并能够反映图像特征的矩阵。本发明较佳地先计算所述多级灰度细胞集的尺度空间函数Iab，基于所述尺度空间函数Iab反向求导得到所述海森矩阵，利用海森矩阵求解出所述多级灰度细胞集RGB中每个通道对应的两种特征值图，并将所述特征图增加到所述多级灰度细胞集的原通道中，得到九通道细胞集。
优选地，所述尺度空间函数Iab为：
其中，ab与所述对比度增强中参数含义相同，a为线性斜率，b为在Y轴上的截距，σ为尺度空间函数参数，I(x，y)为所述细胞集各通道的灰度值，本发明包括R、G、B三个通道，G(X，Y；σ)为高斯函数。
较佳地，所述高斯函数为：
其中，e为无限不循环小数。进一步地，所述尺度空间函数Iab反向求导过程得到所述海森矩阵H：
其中，xn，yn表示所述多级灰度细胞集内不同像素的坐标，基于所述海森矩阵H求解对应行列式的特征值λ：
λH＝0
较佳地，所述特征值λ一般设置为3维，即λ1，λ2，λ3。
进一步地，因为所述多级灰度细胞集共有R、G、B三个颜色通道，分别对所述三个颜色通道求解海森矩阵H得到HR、HG、HB，继而求解所述三个颜色通道的特征值得到λR1，λR2，λR3、λG1，λG2，λG3、λB1，λB2，λB3共九个值组成九通道矩阵。因此基于上述方法对所述多级灰度细胞集的每个像素求解所述九通道矩阵并最终得到九通道细胞集λRGB。
S4、将所述九通道细胞集及标签集输入至异常细胞判断模型中训练，直至所述异常细胞判断模型满足预设训练退出条件后退出训练。
较佳地，所述异常细胞判断模型包括特征提取层和异常细胞识别层，并以卷积神经网络为基础。其中，所述特征提取层接收所述九通道细胞集，并基于卷积操作和池化操作进行特征提取，所述卷积操作为：
其中ω’为所述卷积操作后的输出值，一般为多维矩阵形式，λRGB为所述九通道细胞集，k为卷积核的大小，通常为2*2维度，每个维度值为1的矩阵，s为所述卷积操作的步幅，可取值为1，p为数据补零矩阵。
本发明较佳实施例将所述卷积操作后的输出值进行所述池化操作，所述池化操作寻找所述卷积操作的输出值中矩阵数值最大的值并组成特征集ω。
进一步地，本发明将所述特征集及所述标签集输入至所述异常细胞识别层，所述异常细胞识别层对所述特征集进行所述卷积操作后输入至激活函数得到判断值集，将所述判断值集和所述标签集输入基于损失函数中计算得到损失值，若所述损失值小于预设阈值时，所述异常细胞判断模型退出训练。
较佳地.所述激活函数为：
其中y为所述判断值集，e为无限不循环小数，ω为所述特征集。
本发明较佳实施例所述损失值T为：
其中，n为所述标签集的大小，yt为所述判断值集，μt为所述标签集。
S5、接收用户的细胞图片，并输入至所述异常细胞判断模型中判断所述细胞是否包括异常细胞并输出判断结果。
较佳地，若用户输入的细胞集A图片中包括异常细胞，则所述异常细胞判断模型识别出所述细胞集A含有异常细胞，并输出判断结果，所述输出方式包括屏幕打印或语音播报等方式。
发明还提供一种智能化异常细胞判断装置。参照图2所示，为本发明一实施例提供的智能化异常细胞判断装置的内部结构示意图。(对应修改)
在本实施例中，所述智能化异常细胞判断装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该智能化异常细胞判断装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是智能化异常细胞判断装置1的内部存储单元，例如该智能化异常细胞判断装置1的硬盘。存储器11在另一些实施例中也可以是智能化异常细胞判断装置1的外部存储设备，例如智能化异常细胞判断装置1上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括智能化异常细胞判断装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于智能化异常细胞判断装置1的应用软件及各类数据，例如智能化异常细胞判断程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行智能化异常细胞判断程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在智能化异常细胞判断装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及智能化异常细胞判断程序01的智能化异常细胞判断装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对智能化异常细胞判断装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有智能化异常细胞判断程序01；处理器12执行存储器11中存储的智能化异常细胞判断程序01时实现如下步骤：
步骤一、获取细胞集及标签集，对所述细胞集进行包括降噪、对比度增强的预处理操作。
其中，所述获取细胞集的操作包括：获取细胞的粘膜及分泌物，对所述粘膜及分泌物进行染色处理，拍摄进行染色处理之后的所述细胞的粘膜及分泌物得到所述细胞集，并分别标注所述细胞集中每张图片中是否包含有异常细胞，得到所述标签集。
较佳地，本发明基于刮片在待检测细胞部位旋转一周获取所述待检测细胞的粘膜及分泌物，并将所述粘膜及分泌物涂抹至有机玻璃上并进行染色处理，同时调取显微设备拍摄所述有机玻璃内的粘膜及分泌物细胞，并最终得到所述细胞集。
优选地，所述染色处理先将所述涂抹有粘膜及分泌物的有机玻璃固定于酒***体中，然后放置苏木素染色剂至所述酒***体中，并最终达到将所述粘膜及分泌物内的细胞进行染色的目的。
本发明较佳实施例，所述降噪采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述细胞集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述细胞集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述细胞集，为所述细胞集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
进一步地，所述对比度增强的目的是增大所述细胞集图片中亮度最大值与最小值之间的差值，因为对比度低的细胞会影响后续异常细胞的判断。较佳地，所述对比度增强采用如下方法：
Db＝f(Da)＝a*Da+b
其中a为线性斜率，b为在Y轴上的截距，若a＞1，此时输出的图像对比度相比原图像的对比度是增强的，若a＜1，此时输出的图像对比度相比原图像的对比度是减小的，其中Da代表所述细胞集的灰度值，Db代表输出的细胞集灰度值。
步骤二、基于多阈值分割模型对预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集。
优选地，本发明较佳实施例遍历预处理操作完成的所述细胞集内图像像素的灰度值，统计每个灰度值出现的次数，并基于所述细胞集总像素数量计算每个灰度值的出现概率，基于预设阈值区间和所述每个灰度值的出现概率计算得到类间方差集，并选择所述类间方差集中数值最大的类间方差重置所述细胞集的灰度区间，得到多级灰度细胞集。
进一步地，所述每个灰度值的出现概率的计算方法为：
其中，titi+1属于t1，t2，...tm，而t1，t2，...tm分别表示预设阈值，且t1，t2直到tm呈递增形式，t1不小于数值0，tm不大于数值255，进一步地：
其中，ni为所述每个灰度值的出现次数，i在0～255范围内，N为灰度值的总出现次数。
较佳地，所述类间方差集σT为
其中，T为所述预设阈值区间，T＝{t1，t2，...tm}，t1，t2，...tm分别表示预设阈值，且t1，t2直到tm呈递增形式，t1不小于数值0，tm不大于数值255，表示不同预设阈值区间内所述每个灰度值的出现概率，表示不同预设阈值区间的灰度均值。
进一步地，所述重置所述细胞集的灰度区间的重置方法为：
其中，t1σTmax为所述最大的类间方差，I(x，y)为所述细胞集的灰度值，(x，y)为所述细胞集中各像素坐标。例如当像素坐标为(2，3)的灰度值I(2，3)＝4时，判断4的灰度值在区间t1＜I(2，3)≤t2，则按照上述重置方法计算出新的灰度值，依次计算其他像素，直至最终得到多级灰度细胞集。
步骤三、基于所述多级灰度细胞集计算海森矩阵并得到九通道细胞集。
所述海森矩阵是由图像的高阶微分构造而成并能够反映图像特征的矩阵。本发明较佳地先计算所述多级灰度细胞集的尺度空间函数Iab，基于所述尺度空间函数Iab反向求导得到所述海森矩阵，利用海森矩阵求解出所述多级灰度细胞集RGB中每个通道对应的两种特征值图，并将所述特征图增加到所述多级灰度细胞集的原通道中，得到九通道细胞集。
优选地，所述尺度空间函数Iab为：
其中，ab与所述对比度增强中参数含义相同，a为线性斜率，b为在Y轴上的截距，σ为尺度空间函数参数，I(x，y)为所述细胞集各通道的灰度值，本发明包括R、G、B三个通道，G(X，Y；σ)为高斯函数。
较佳地，所述高斯函数为：
其中，e为无限不循环小数。进一步地，所述尺度空间函数Iab反向求导过程得到所述海森矩阵H：
其中，xn，yn表示所述多级灰度细胞集内不同像素的坐标，基于所述海森矩阵H求解对应行列式的特征值λ：
λH＝0
较佳地，所述特征值λ一般设置为3维，即λ1，λ2，λ3。
进一步地，因为所述多级灰度细胞集共有R、G、B三个颜色通道，分别对所述三个颜色通道求解海森矩阵H得到HR、HG、HB，继而求解所述三个颜色通道的特征值得到λR1，λR2，λR3、λG1，λG2，λG3、λB1，λB2，λB3共九个值组成九通道矩阵。因此基于上述方法对所述多级灰度细胞集的每个像素求解所述九通道矩阵并最终得到九通道细胞集λRGB。
步骤四、将所述九通道细胞集及标签集输入至异常细胞判断模型中训练，直至所述异常细胞判断模型满足预设训练退出条件后退出训练。
较佳地，所述异常细胞判断模型包括特征提取层和异常细胞识别层，并以卷积神经网络为基础。其中，所述特征提取层接收所述九通道细胞集，并基于卷积操作和池化操作进行特征提取，所述卷积操作为：
其中ω’为所述卷积操作后的输出值，一般为多维矩阵形式，λRGB为所述九通道细胞集，k为卷积核的大小，通常为2*2维度，每个维度值为1的矩阵，s为所述卷积操作的步幅，可取值为1，p为数据补零矩阵。
本发明较佳实施例将所述卷积操作后的输出值进行所述池化操作，所述池化操作寻找所述卷积操作的输出值中矩阵数值最大的值并组成特征集ω。
进一步地，本发明将所述特征集及所述标签集输入至所述异常细胞识别层，所述异常细胞识别层对所述特征集进行所述卷积操作后输入至激活函数得到判断值集，将所述判断值集和所述标签集输入基于损失函数中计算得到损失值，若所述损失值小于预设阈值时，所述异常细胞判断模型退出训练。
较佳地，所述激活函数为：
其中y为所述判断值集，e为无限不循环小数，ω为所述特征集。
本发明较佳实施例所述损失值T为：
其中，n为所述标签集的大小，yt为所述判断值集，μt为所述标签集。
步骤五、接收用户的细胞图片，并输入至所述异常细胞判断模型中判断所述细胞是否包括异常细胞并输出判断结果。
较佳地，若用户输入的细胞集A图片中包括异常细胞，则所述异常细胞判断模型识别出所述细胞集A含有异常细胞，并输出判断结果，所述输出方式包括屏幕打印或语音播报等方式。
可选地，在其他实施例中，智能化异常细胞判断程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述智能化异常细胞判断程序在智能化异常细胞判断装置中的执行过程。
例如，参照图3所示，为本发明智能化异常细胞判断装置一实施例中的智能化异常细胞判断程序的程序模块示意图，该实施例中，所述智能化异常细胞判断程序可以被分割为数据接收模块10、数据处理模块20、模型训练模块30、智能化异常细胞判断输出模块40示例性地：
所述数据接收模块10用于：获取细胞集及标签集，对所述细胞集进行包括降噪、对比度增强的预处理操作。
所述数据处理模块20用于：基于多阈值分割模型对预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集、基于所述多级灰度细胞集计算海森矩阵并得到九通道细胞集。
所述模型训练模块30用于：将所述九通道细胞集及所述标签集输入至异常细胞判断模型中训练，直至所述异常细胞判断模型满足预设训练退出条件后退出训练。
所述智能化异常细胞判断输出模块40用于：接收用户的细胞图片，并输入至所述异常细胞判断模型中判断所述细胞是否包括异常细胞并输出判断结果。
上述数据接收模块10、数据处理模块20、模型训练模块30、智能化异常细胞判断输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有智能化异常细胞判断程序，所述智能化异常细胞判断程序可被一个或多个处理器执行，以实现如下操作：
获取细胞集及标签集，对所述细胞集进行包括降噪、对比度增强的预处理操作；
基于多阈值分割模型对预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集，基于所述多级灰度细胞集计算海森矩阵并得到九通道细胞集；
将所述九通道细胞集及所述标签集输入至异常细胞判断模型中训练，直至所述异常细胞判断模型满足预设训练退出条件后退出训练；
接收用户的细胞图片，并输入至所述异常细胞判断模型中判断所述细胞是否包括异常细胞并输出判断结果。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种智能化异常细胞判断方法，其特征在于，所述方法包括：
获取细胞集及标签集，对所述细胞集进行包括降噪、对比度增强的预处理操作；
基于多阈值分割模型对预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集；
基于所述多级灰度细胞集计算海森矩阵并得到九通道细胞集；
将所述九通道细胞集及所述标签集输入至异常细胞判断模型中训练，直至所述异常细胞判断模型满足预设训练退出条件后退出训练；
接收用户的细胞图片，并将所述用户的细胞图片输入至所述异常细胞判断模型中判断所述细胞是否包括异常细胞并输出判断结果。
2.如权利要求1所述的智能化异常细胞判断方法，其特征在于，所述获取细胞集包括：
获取细胞的粘膜及分泌物；
对所述粘膜及分泌物进行染色处理；
拍摄进行染色处理之后的所述细胞的粘膜及分泌物得到所述细胞集。
3.如权利要求1或2所述的智能化异常细胞判断方法，其特征在于，所述降噪采用如下自适应图像降噪滤波法：
g(x,y)＝η(x,y)+f(x,y)
其中，(x,y)表示所述细胞集内图像像素点坐标，f(x,y)为基于所述自适应图像降噪滤波法对所述细胞集进行降噪处理后的输出数据，η(x,y)为噪声，g(x,y)为所述细胞集，为所述细胞集的噪声总方差，为所述(x,y)的像素灰度均值，为所述(x,y)的像素灰度方差，L表示当前像素点坐标。
4.如权利要求1中的智能化异常细胞判断方法，其特征在于，所述基于多阈值分割模型对所述预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集，包括：
遍历预处理操作完成的所述细胞集内图像像素的灰度值，统计每个灰度值出现的次数，并基于总像素数量计算每个灰度值的出现概率；
基于预设阈值区间和所述每个灰度值的出现概率计算得到类间方差集，并选择所述类间方差集中数值最大的类间方差重置所述细胞集的灰度区间，得到多级灰度细胞集。
5.如权利要求4所述的智能化异常细胞判断方法，其特征在于，所述类间方差集σT为：
其中，T为所述预设阈值区间，T＝{t1,t2,…tm}，t1,t2,…tm分别表示预设阈值，且t1,t2直到tm呈递增形式，t1不小于数值0，tm不大于数值255，表示不同预设阈值区间内所述每个灰度值的出现概率，表示不同预设阈值区间的灰度均值。
6.一种智能化异常细胞判断装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的智能化异常细胞判断程序，所述智能化异常细胞判断程序被所述处理器执行时实现如下步骤：
获取细胞集及标签集，对所述细胞集进行包括降噪、对比度增强的预处理操作；
基于多阈值分割模型对预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集；
基于所述多级灰度细胞集计算海森矩阵并得到九通道细胞集；
将所述九通道细胞集及所述标签集输入至异常细胞判断模型中训练，直至所述异常细胞判断模型满足预设训练退出条件后退出训练；
接收用户的细胞图片，并将所述用户的细胞图片输入至所述异常细胞判断模型中判断所述细胞是否包括异常细胞并输出判断结果。
7.如权利要求6所述的智能化异常细胞判断装置，其特征在于，所述获取细胞集包括：
获取细胞的粘膜及分泌物；
对所述粘膜及分泌物进行染色处理；
拍摄进行染色处理之后的所述细胞的粘膜及分泌物得到所述细胞集。
8.如权利要求6或7所述的智能化异常细胞判断装置，其特征在于，所述降噪采用如下自适应图像降噪滤波法：
g(x,y)＝η(x,y)+f(x,y)
其中，(x,y)表示所述细胞集内图像像素点坐标，f(x,y)为基于所述自适应图像降噪滤波法对所述细胞集进行降噪处理后的输出数据，η(x,y)为噪声，g(x,y)为所述细胞集，为所述细胞集的噪声总方差，为所述(x,y)的像素灰度均值，为所述(x,y)的像素灰度方差，L表示当前像素点坐标。
9.如权利要求8所述的智能化异常细胞判断装置，其特征在于，所述基于多阈值分割模型对所述预处理操作完成的所述细胞集进行灰度划分，得到多级灰度细胞集，包括：
遍历预处理操作完成的所述细胞集内图像像素的灰度值，统计每个灰度值出现的次数，并基于总像素数量计算每个灰度值的出现概率；
基于预设阈值区间和所述每个灰度值的出现概率计算得到类间方差集，并选择所述类间方差集中数值最大的类间方差重置所述细胞集的灰度区间，得到多级灰度细胞集。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有智能化异常细胞判断程序，所述智能化异常细胞判断程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的智能化异常细胞判断方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910520871.9A CN110363747A (zh) | 2019-06-14 | 2019-06-14 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
| PCT/CN2020/093546 WO2020248848A1 (zh) | 2019-06-14 | 2020-05-29 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910520871.9A CN110363747A (zh) | 2019-06-14 | 2019-06-14 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110363747A true CN110363747A (zh) | 2019-10-22 |
Family
ID=68216064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910520871.9A Pending CN110363747A (zh) | 2019-06-14 | 2019-06-14 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110363747A (zh) |
| WO (1) | WO2020248848A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020248848A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
| WO2020253508A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技（深圳）有限公司 | 异常细胞检测方法、装置及计算机可读存储介质 |
| WO2021217851A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安科技（深圳）有限公司 | 异常细胞自动标注方法、装置、电子设备及存储介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113096077B (zh) * | 2021-03-25 | 2024-05-03 | 深圳力维智联技术有限公司 | 异常比例检测方法、装置、设备及计算机可读存储介质 |
| CN117876380B (zh) * | 2024-03-13 | 2024-05-14 | 昆明昊拜农业科技有限公司 | 一种烟叶环境温湿度、微层差预测方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140247973A1 (en) * | 2013-02-28 | 2014-09-04 | Auxogyn, Inc. | Apparatus, method, and system for automated, non-invasive cell activity tracking |
| US20150078648A1 (en) * | 2013-09-13 | 2015-03-19 | National Cheng Kung University | Cell image segmentation method and a nuclear-to-cytoplasmic ratio evaluation method using the same |
| WO2015079282A1 (en) * | 2013-11-28 | 2015-06-04 | Intel Corporation | Method for determining local differentiating color for image feature detectors |
| CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理*** |
| CN108197606A (zh) * | 2018-01-31 | 2018-06-22 | 浙江大学 | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 |
| CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015142923A1 (en) * | 2014-03-17 | 2015-09-24 | Carnegie Mellon University | Methods and systems for disease classification |
| CN108376400B (zh) * | 2018-02-12 | 2021-11-23 | 华南理工大学 | 一种骨髓细胞自动分类方法 |
| CN108364032A (zh) * | 2018-03-27 | 2018-08-03 | 哈尔滨理工大学 | 一种基于卷积神经网络的***细胞图片识别算法 |
| CN110363747A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技（深圳）有限公司 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
-
2019
- 2019-06-14 CN CN201910520871.9A patent/CN110363747A/zh active Pending
-
2020
- 2020-05-29 WO PCT/CN2020/093546 patent/WO2020248848A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140247973A1 (en) * | 2013-02-28 | 2014-09-04 | Auxogyn, Inc. | Apparatus, method, and system for automated, non-invasive cell activity tracking |
| US20150078648A1 (en) * | 2013-09-13 | 2015-03-19 | National Cheng Kung University | Cell image segmentation method and a nuclear-to-cytoplasmic ratio evaluation method using the same |
| WO2015079282A1 (en) * | 2013-11-28 | 2015-06-04 | Intel Corporation | Method for determining local differentiating color for image feature detectors |
| CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理*** |
| CN108197606A (zh) * | 2018-01-31 | 2018-06-22 | 浙江大学 | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 |
| CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 蒋先刚 等: "基于多阈值Otsu和海森矩阵的脑血管提取", 《计算机工程与设计》, vol. 35, no. 5, pages 1709 - 1712 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020248848A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
| WO2020253508A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技（深圳）有限公司 | 异常细胞检测方法、装置及计算机可读存储介质 |
| WO2021217851A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安科技（深圳）有限公司 | 异常细胞自动标注方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020248848A1 (zh) | 2020-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363747A (zh) | 智能化异常细胞判断方法、装置及计算机可读存储介质 | |
| CN107633204B (zh) | 人脸遮挡检测方法、装置及存储介质 | |
| CN107358242B (zh) | 目标区域颜色识别方法、装置及监控终端 | |
| CN107862292B (zh) | 人物情绪分析方法、装置及存储介质 | |
| CN108446697B (zh) | 图片处理方法、电子装置及存储介质 | |
| EP3916627A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
| CN109284733B (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
| CN108596258A (zh) | 一种基于卷积神经网络随机池化的图像分类方法 | |
| CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN108961279A (zh) | 图像处理方法、装置及移动终端 | |
| WO2021012494A1 (zh) | 基于深度学习的人脸识别方法、装置及计算机可读存储介质 | |
| US20210174135A1 (en) | Method of matching image and apparatus thereof, device, medium and program product | |
| CN109871780B (zh) | 一种人脸质量判决方法、***及人脸识别方法、*** | |
| CN110415212A (zh) | 异常细胞检测方法、装置及计算机可读存储介质 | |
| CN111696080B (zh) | 一种基于静态纹理的人脸欺诈检测方法、***及存储介质 | |
| CN108960288B (zh) | 基于卷积神经网络的三维模型分类方法及*** | |
| CN111898412A (zh) | 人脸识别方法、装置、电子设备和介质 | |
| CN106845331A (zh) | 一种图像处理方法及终端 | |
| CN105335719A (zh) | 活体检测方法及装置 | |
| CN110135421A (zh) | 车牌识别方法、装置、计算机设备及计算机可读存储介质 | |
| EP4047509A1 (en) | Facial parsing method and related devices | |
| CN109871751A (zh) | 基于人脸表情识别的服务态度评估方法、装置及存储介质 | |
| CN107944398A (zh) | 基于深度特征联合表示图像集人脸识别方法、装置和介质 | |
| CN111860369A (zh) | 一种欺诈识别方法、装置以及存储介质 | |
| CN109920018A (zh) | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |