【技术实现步骤摘要】
一种基于边缘计算的加速医学图像处理速度的方法
本专利技术主要涉及图像处理
，具体涉及一种基于边缘计算的加速医学图像处理速度的方法。
技术介绍
近年来，随着核磁共振成像(Magneticresonanceimage,MRI)和计算机断层扫描(Computertomography,CT)等医学影像技术的出现和发展，医学影像技术被广泛应用于各种疾病的检查、诊断和治疗过程中。但目前医学影像诊断领域还存在一些突出的问题，比如具有丰富经验的影像科医生缺口很大、误诊率较高等等。深度学习近年来在图像处理方面取得了很大的突破，因此人们尝试将深度学习用在医学影像诊断上。运行深度学习要消耗极大的计算资源，现有的做法是将深度学习模型传到云平台上进行运算，但这样又会占用大量的带宽资源，并导致较长的等待时延。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于边缘计算的加速医学图像处理速度的方法。本专利技术解决上述技术问题的技术方案如下：一种基于边缘计算的加速医学图像处理速度的方法，包...
【技术保护点】
1.一种基于边缘计算的加速医学图像处理速度的方法，其特征在于，包括如下步骤：/n本地端导入医学影像数据；/n所述本地端和MEC服务器加载深度学习模型；/n所述本地端建立回归模型，并通过所述回归模型预测所述本地端和所述MEC服务器的所述深度学习模型中各神经网络层处理所述医学影像数据的运行时间，根据预测得到的各个运行时间确定切分点，并将所述切分点发送至MEC服务器中；/n所述本地端根据所述切分点处理所述深度学习模型中神经网络层运算时间较短的待处理医学影像，并周期性的根据所述深度学习模型实际运行时间更新所述回归模型；/n所述MEC服务器根据所述切分点处理所述深度学习模型中神经网络...
【技术特征摘要】
1.一种基于边缘计算的加速医学图像处理速度的方法，其特征在于，包括如下步骤：
本地端导入医学影像数据；
所述本地端和MEC服务器加载深度学习模型；
所述本地端建立回归模型，并通过所述回归模型预测所述本地端和所述MEC服务器的所述深度学习模型中各神经网络层处理所述医学影像数据的运行时间，根据预测得到的各个运行时间确定切分点，并将所述切分点发送至MEC服务器中；
所述本地端根据所述切分点处理所述深度学习模型中神经网络层运算时间较短的待处理医学影像，并周期性的根据所述深度学习模型实际运行时间更新所述回归模型；
所述MEC服务器根据所述切分点处理所述深度学习模型中神经网络层运算时间较长的待处理医学影像，并周期性的将所述深度学习模型实际运行时间发送至所述本地端，以便所述本地端更新所述回归模型。
2.根据权利要求1所述的医学图像处理方法，其特征在于，所述各神经网络层包括卷积层、Relu层、池化层、LRN层、Dropout层和全连接层；所述本地端中通过所述回归模型预测所述第一深度学习模型中各神经网络层处理所述医学影像数据的运行时间的过程包括：
根据卷积核计算公式和所述医学影像数据的数量个数预测所述卷积层处理所述医学影像数据的运行时间，所述卷积核计算公式为(卷积核大小/步长)2*(卷积核数量)；
根据所述医学影像数据的数据量预测所述Relu层处理所述医学影像数据的运行时间；
根据所述医学影像数据的数据量以及所述池化层的卷积核数量个数预测所述池化层处理所述医学影像数据的运行时间；
根据所述医学影像数据的数据量预测所述LRN层处理所述医学影像数据的运行时间；
根据所述医学影像数据的数据量预测所述Dropout层处理所述医学影像数据的运行时间；
根据所述医学影像数据的数据量以及所述全连接层的卷积核数量个数预测所述全连接层处理所述医学影像数据的运行时间。
3.根据权利要求1所述的医学图像处理方法，其特征在于，所述根据预测得到的各个运行时间确定切分点的过程包括：
根据切分点公式计算切分点，所述切分点公式为
其中，AN，j表示第j层即为得到的深度学习模型的切分点，{Li|i＝1,…,N}表示各个神经网络层，fM(Li)表示本地端的各神经网络层处理医学影像数据的运行时间，fE(Li)表示MEC服务器的各神经网络层处理医学影像数据的运行时间。
4.根据权利要求1所述的医学图像处理方法，其特征在于，所述本地端通过无线网络与所述MEC服务器进行连接。
5.根据权利要求4所述的医学图...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。