一种基于云边端架构的病理检测系统及方法技术方案

本发明专利技术涉及一种基于云边端架构的病理检测系统及方法，包括云平台层、通信网络层、边缘层；云平台层包括云计算服务器中心、数据库、云端文件存储系统以及一个MQTT服务器；网络通信层包括多种网络通信方式；边缘层就是集成在医疗机构内的各个设备组件，包括边缘设备、本地文件存储系统以及病理切片扫描仪；本发明专利技术提供了基于Kubeedge管理平台的云边端架构的病理检测方法，实现边缘设备物模型创建、病理图像模型训练、镜像下发、病理图像检测推理、边缘数据上传等，可有效节省医院病理科的人力、时间成本，提高病理诊断的质量和效率。提高病理诊断的质量和效率。提高病理诊断的质量和效率。

【技术实现步骤摘要】
一种基于云边端架构的病理检测系统及方法


[0001]本专利技术属于以边缘计算为基础，对医疗影像进行人工智能处理和识别、云边端架构模型训练的交叉领域。具体涉及到基于人工智能模型，以云边端架构为基础的对病理图像诊断的系统及方法。

技术介绍

[0002]人工智能已经广泛应用于医疗领域，医疗行业长期存在资源分配不均、医疗成本过高、病理科医生培养周期长、优质医生缺少等问题。随着人工智能技术不断进步，人工智能在医疗领域逐渐得到应用，辅助医生进行病变检测，实现疾病早期筛查，提高了医生诊断准确率与效率。目前我国病理诊断面临着医疗资源分布不均、病理医生数量严重缺乏、水平参差不齐等难题。人工智能病理检测系统可有效节省医院病理科的人力、时间成本，提高病理诊断的质量和效率。
[0003]目前已有一些边缘侧的病理检测系统，但由于现有医疗机构大多采用医疗内网模式，网络带宽较小，边缘侧病理检测系统在应用时存在一些不足：第一，系统架构不稳定，不能有效管理边缘侧病理检测的终端设备，很难进行大规模部署。第二，医疗内网封闭且网络带宽小，病理图像数据量大，难以高效传输到云平台，云平台不能进一步进行模型训练，导致病理模型更新迭代速度慢，病理图像检测识别准确度难以提高。

技术实现思路

[0004]本专利技术为解决上述的需求和现有技术的缺陷，提出了一种云边端架构为基础病理图像检测系统；
[0005]本专利技术以Kubeedge管理平台为基础，提供了一个稳定的云边端架构，云中心服务器能有效管理医疗机构中的边缘设备，支持大规模部署和集中管理。
[0006]本专利技术还提供了一种基于云边端架构的病理检测方法、计算机设备及存储介质。
[0007]术语解释：
[0008]1、MQTT服务器，MQTT Broker，也称为MQTT消息服务器，是运行了MQTT消息服务器软件的一台服务器或一个服务器集群。MQTT Broker负责接收来自客户端的网络连接，并处理客户端的订阅/取消订阅(Subscribe/Unsubscribe)、消息发布(Publish)请求，同时也会将客户端发布的消息转发给其他订阅者。
[0009]2、Kubernetes，Kubernetes云计算平台，一个开源的容器管理平台。它支持自动化、大规模部署、应用容器化管理。在Kubernetes平台中，用户可以创建多个容器，每个容器里运行一个或者多个应用实例，然后通过内置的负载均衡策略对这些容器进行管理。
[0010]3、Kubeedge管理平台，Kubeedge平台，一个支持边缘计算的开发平台。
[0011]4、API，Application Programming Interface，应用程序编程接口，是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，无需访问源码，或理解内部工作机制的细节。
[0012]5、mqtt.NewClientOptions()函数，云服务器中心通过mqtt.NewClientOptions()函数对Kubeedge平台下MQTT服务器的传输端口建立连接。其定义了mqttURL地址、连接等待最大时长、建立连接时要提供用户名和密码以及传输链接所需规则。
[0013]6、NewDatetime()函数，用于返回当前系统时间。镜像下发至各个医疗机构下属的文件存储系统上并触发触发器，在存储动作发生前，执行该函数获取当前系统时间，并同时存储到文件存储系统里。
[0014]7、MD5，全称是Message
‑
Digest Algorithm 5(信息
‑
摘要算法)，在90年代初由MIT Laboratory for Computer Science和RSA Data Security Inc的Ronald L.Rivest开发出来，经MD2、MD3和MD4发展而来。
[0015]8、CNN卷积神经网络，Convolutional Neural Networks，是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如图像和音频，进行学习、有稳定的效果且对数据没有额外的特征工程要求。
[0016]本专利技术的技术方案为：
[0017]一种基于云边端架构的病理检测系统，包括云平台层、通信网络层、边缘层；
[0018]所述云平台层包括云计算服务器中心、数据库、云端文件存储系统以及MQTT服务器；
[0019]所述云计算服务器中心用于病理检测模型的训练；所述云端文件存储系统用于存储病理检测模型、病理图像训练集、镜像；所述数据库用于存储寻址目录；所述MQTT服务器是云平台层与边缘层进行信息交互的代理服务器，提供云平台层与边缘层信息交互功能；
[0020]所述边缘层是集成在医疗机构内部中的各个设备，包括边缘设备、本地文件存储系统以及病理切片扫描仪；
[0021]所述本地文件存储系统用于存储历史和最新版本的病理检测模型、可执行程序、病理图像及其检测结果；所述本地文件存储系统与云平台层进行信息交互；所述病理切片扫描仪用于全信息、全方位快速扫描病理切片，获取数字化病理图像。
[0022]进一步优选的，云平台层与边缘层信息交互功能包括：指令下发、Pod启动、获取边缘设备状态信息、Pod容器工作数据收发以及工作日志、数据传递。
[0023]根据本专利技术优选的，所述数据库、云端文件存储系统与云计算服务器中心处于同一局域网内。
[0024]根据本专利技术优选的，所述边缘设备选用Jeston Nx Xavier。
[0025]进一步优选的，云端文件存储系统用于存储病理检测模型、训练集、测试集、模型参数配置文件、Docker配置文件以及镜像文件。
[0026]进一步优选的，所述数据库用于存储医疗机构名称、边缘设备ID号、文件存储的寻址目录。
[0027]一种基于云边端架构的病理检测方法，以Kubeedge管理平台为云端，边缘设备为边缘层，数字扫描仪为终端设备，实现病理图像检测模型的训练、镜像下发和病理图像检测识别，具体实现步骤如下：
[0028]步骤1：云端创建物模型：以Yaml文件创建物模型和设备，指定终端设备所属的
node节点，管理终端设备；
[0029]步骤2：病理图像预处理和病理图像检测模型训练：云端对病理图像进行裁剪预处理后，云端利用CNN卷积神经网络进行病理图像检测模型训练，将训练好的病理图像检测模型存储到云端文件存储系统，存储路径保存到数据库中；
[0030]步骤3：生成镜像并下发：云端将训练好的病理图像检测模型生成镜像，发送至MQTT服务器，提供给边缘层进行订阅；
[0031]步骤4：边缘层进行病理识别诊断：边缘设备拉取镜像，数字扫描仪上传待检测的病理图像，边缘设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云边端架构的病理检测系统，其特征在于，包括云平台层、通信网络层、边缘层；所述云平台层包括云计算服务器中心、数据库、云端文件存储系统以及MQTT服务器；所述云计算服务器中心用于病理检测模型的训练；所述云端文件存储系统用于存储病理检测模型、训练集、镜像；所述数据库用于存储寻址目录；所述MQTT服务器是云平台层与边缘层进行信息交互的代理服务器，提供云平台层与边缘层信息交互功能；所述边缘层就是集成在医疗机构内部中的各个设备，包括边缘设备、本地文件存储系统以及病理切片扫描仪；所述本地文件存储系统用于存储历史和最新版本的病理检测模型、可执行程序、病理图像及其检测结果；所述本地文件存储系统与云平台层进行信息交互；所述病理切片扫描仪用于全信息、全方位快速扫描病理切片，获取数字化病理图像。2.根据权利要求1所述的一种基于云边端架构的病理检测系统，其特征在于，云平台层与边缘层信息交互功能包括：指令下发、Pod启动、获取边缘设备状态信息、Pod容器工作数据收发以及工作日志、数据传递。3.根据权利要求1所述的一种基于云边端架构的病理检测系统，其特征在于，所述数据库、云端文件存储系统与云计算服务器中心处于同一局域网内；所述边缘设备选用Jeston Nx Xavier。4.一种基于云边端架构的病理检测方法，其特征在于，运行于权利要求1
‑
4任一所述的基于云边端架构的病理检测系统中，以Kubeedge管理平台为云端，边缘设备为边缘层，数字扫描仪为终端设备，实现病理图像检测模型的训练、镜像下发和病理图像检测识别，具体实现步骤如下：步骤1：云端创建物模型：创建物模型和设备，指定终端设备所属的node节点，管理终端设备；步骤2：病理图像预处理和病理图像检测模型训练：云端对病理图像进行预处理后，云端利用CNN卷积神经网络进行病理图像检测模型训练，将训练好的病理图像检测模型存储到云端文件存储系统，存储路径保存到数据库中；步骤3：生成镜像并下发：云端将训练好的病理图像检测模型生成镜像，发送至MQTT服务器，提供给边缘层进行订阅；步骤4：边缘层进行病理识别诊断：边缘设备拉取镜像，数字扫描仪上传待检测的病理图像，边缘设备进行推理诊断，诊断结果传送给医护人员，医护人员给出最终反馈，最终反馈结果和病理图片存入本地文件存储系统中；步骤5：边缘层数据上传：边缘层将本地文件存储系统中存储的病理图像发送到MQTT服务器，等待云服务器计算中心进行订阅；云服务器计算中心对收取到的数据进行存储，数据文件保存到云端文件存储系统，存储路径保存到数据库中。5.根据权利要求4所述的基于云边端架构的病理检测方法，其特征在于，步骤1中，在Kubeedge管理平台中创建设备和设备模型；创建设备的实现过程包括：调用创建好的设备api，继承访问方式，指定该设备所属的node节点，随机生成设备号，创建病理切片扫描仪在Kubeedge管理平台中所对应的设备，并根据传输的内容包括病理图像和病理图像识别结果，将传输流设定为二进制传输，病理图
像和病理图像识别结果均属于二进制文本传输；创建设备模型的实现过程包括：以Yaml配置文件创建Kubeedge管理平台的设备api，访问方式设置为读写。6.根据权利要求4所述的基于云边端架构的病理检测方法，其特征在于，步骤2中，...

【专利技术属性】
技术研发人员：陈静，肖恭翼，李娜，葛菁，王迪，郭莹，王筠，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：