CN111312368A - 一种基于边缘计算的加速医学图像处理速度的方法 - Google Patents
一种基于边缘计算的加速医学图像处理速度的方法 Download PDFInfo
- Publication number
- CN111312368A CN111312368A CN202010064746.4A CN202010064746A CN111312368A CN 111312368 A CN111312368 A CN 111312368A CN 202010064746 A CN202010064746 A CN 202010064746A CN 111312368 A CN111312368 A CN 111312368A
- Authority
- CN
- China
- Prior art keywords
- medical image
- layer
- image data
- processing
- deep learning
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于边缘计算的加速医学图像处理速度的方法,包括步骤:本地端通过回归模型预测深度学习模型中各神经网络层处理医学影像数据的运行时间,根据各个运行时间确定切分点;本地端根据切分点处理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,周期性的根据深度学习模型实际运行时间更新回归模型;MEC服务器根据切分点处理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。本发明能够就近在MEC服务器和本地对数据进行处理,大大减小了医学影像数据处理的等待时延,不需要再传到云端,大大减少了对带宽资源的占用,并且以各神经网络层为单位对深度学习模型进行运行时间的预测,来确定切分点,做到了自适应地切分深度学习模型的神经网络。
Description
技术领域
本发明主要涉及图像处理技术领域,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。
背景技术
近年来,随着核磁共振成像(Magnetic resonance image,MRI)和计算机断层扫描(Computer tomography,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。
发明内容
本发明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。
本发明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。
本发明解决上述技术问题的另一技术方案如下:一种基于边缘计算的加速医学图像处理速度的方法,包括本地端和MEC服务器:
所述本地端,用于导入医学影像数据,并加载深度学习模型;还用于建立回归模型,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;还用于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,用于加载深度学习模型,并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。
本发明解决上述技术问题的另一技术方案如下:一种基于边缘计算的加速医学图像处理速度的方法,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的医学图像处理方法。
本发明的有益效果是:能够就近在MEC服务器和本地对数据进行处理,大大减小了医学影像数据处理的等待时延,医学影像数据不需要再传到云端,大大减少了对带宽资源的占用,并且以各神经网络层为单位对深度学习模型进行运行时间的预测,来确定网络的切分点,做到了动态地、自适应地切分深度学习模型的神经网络。
附图说明
图1为本发明实施例提供的医学图像处理方法的流程图;
图2为本发明实施例提供的医学图像处理系统的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明实施例提供的医学图像处理方法的流程图。
如图1所示,一种基于边缘计算的加速医学图像处理速度的方法,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。
应理解地,MEC为移动边缘计算(Mobile Edge Computing)。
应理解地,所述本地端读入原始医学影像数据,并对原始数据进行预处理,以供深度学习算法进行识别。每次读入医学影像数据的时候,本地端需计算医学影像的数据量、各个神经网络层的输入数据量等信息,以供回归模型进行预测。本地端每隔一段时间还需根据在本地运行的神经网络层的实际运行时间更新回归模型。所述MEC服务器模块运行经过切分后的深度学习模型中运算量较大的部分,并且每隔一段时间也需要把在MEC服务器模块运行的神经网络层的实际运行时间反馈给本地端,用来更新回归模型。
上述实施例中,能够就近在MEC服务器和本地对数据进行处理,大大减小了医学影像数据处理的等待时延,医学影像数据不需要再传到云端,大大减少了对带宽资源的占用,并且以各神经网络层为单位对深度学习模型进行运行时间的预测,来确定网络的切分点,做到了动态地、自适应地切分深度学习模型的神经网络。
可选地,作为本发明的一个实施例,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。
应理解地,数据量是指数据存储大小。数量个数是指,以一个医学影像数据为单位,有多少个医学影像数据。
表1为影响各个神经网络层运行时间的因素。表1:
神经网络层类型 | 影响运行时间的因素 |
卷积层 | 输入的特征图的数量,(卷积核大小/步长)<sup>2</sup>*(卷积核数量) |
Relu层 | 输入的数据量 |
池化层 | 输入的数据量,卷积核的数量 |
LRN层 | 输入的数据量 |
Dropout层 | 输入的数据量 |
全连接层 | 输入的数据量,卷积核的数量 |
经过大量实验得到如下的预测各个神经网络层运行时间的回归模型,自变量x对应于上表中影响各个神经网络层运行时间的因素,可通过如下计算方法得到各个运行时间:
卷积层在本地端运行时:y=6.03e-5*x1+1.24e-4*x2+1.89e-1,在MEC服务器模块运行时:y=6.13e-3*x1+2.67e-2*x2-9.909。
Relu层在本地端运行时:y=5.6e-6*x+5.69e-2,在MEC服务器模块运行时: y=1.5e-5*x+4.88e-1。
池化层在本地端运行时:y=1.63e-5*x1+4.07e-6*x2+2.11e-1,在MEC服务器模块运行时:y=1.33e-4*x1+3.31e-5*x2+1.657。
LRN层在本地端运行时:y=6.59e-5*x+7.80e-2,在MEC服务器模块运行时: y=5.19e-4*x+5.89e-1。
Dropout层在本地端运行时:y=5.23e-6*x+4.64e-3,在MEC服务器模块运行时:y=2.34e-6*x+0.0525。
全连接层在本地端运行时:y=1.07e-4*x1-1.83e-4*x2+0.164,在MEC服务器模块运行时:y=9.18e-4*x1+3.99e-3*x2+1.169。
上述实施例中,能够快速的得到各神经网络层处理所述医学影像数据的运行时间,以便确定切分点。
可选地,作为本发明的一个实施例,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A,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。
上述实施例中,现有的神经网络切分方法都是依照固定的切分点进行切分,处理效率不高,存在等待时延,而本方法能够做到了动态地、自适应地切分深度学习模型的神经网络。
可选地,作为本发明的一个实施例,所述本地端通过无线网络与所述MEC 服务器进行连接。
具体地,所述无线网络为5G网络。
上述实施例中,能够快速的传输数据。
应理解地,在本地运行模块运行计算量较小的深度学习模型部分,在MEC 服务器模块运行计算量较大的深度学习模型部分,并通过5G网络进行不同部分之间的数据交互。
图2为本发明实施例提供的医学图像处理系统的模块框图。
可选地,作为本发明的另一个实施例,如图2所示,一种基于边缘计算的加速医学图像处理速度的方法,包括本地端和MEC服务器:
所述本地端,用于导入医学影像数据,并加载深度学习模型;还用于建立回归模型,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;还用于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,用于加载深度学习模型,并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。
可选地,作为本发明的另一个实施例,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;所述本地端具体用于:
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。
可选地,作为本发明的另一个实施例,所述本地端还用于:
根据切分点公式计算切分点A,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。
可选地,作为本发明的另一个实施例,一种基于边缘计算的加速医学图像处理速度的方法,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的医学图像处理方法。
本发明的优点为:能够就近在MEC服务器和本地对数据进行处理,大大减小了医学影像数据处理的等待时延,医学影像数据不需要再传到云端,大大减少了对带宽资源的占用,并且以各神经网络层为单位对深度学习模型进行运行时间的预测,来确定网络的切分点,做到了动态地、自适应地切分深度学习模型的神经网络。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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,或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
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。
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所述的医学图像处理方法,其特征在于,所述无线网络为5G网络。
6.一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,包括本地端和MEC服务器:
所述本地端,用于导入医学影像数据,并加载深度学习模型;还用于建立回归模型,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;还用于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,用于加载深度学习模型,并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。
7.根据权利要求6所述的医学图像处理系统,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;所述本地端具体用于:
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。
9.一种基于边缘计算的加速医学图像处理速度的方法,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的医学图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064746.4A CN111312368A (zh) | 2020-01-20 | 2020-01-20 | 一种基于边缘计算的加速医学图像处理速度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064746.4A CN111312368A (zh) | 2020-01-20 | 2020-01-20 | 一种基于边缘计算的加速医学图像处理速度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111312368A true CN111312368A (zh) | 2020-06-19 |
Family
ID=71146880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010064746.4A Pending CN111312368A (zh) | 2020-01-20 | 2020-01-20 | 一种基于边缘计算的加速医学图像处理速度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111312368A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023197687A1 (zh) * | 2022-04-13 | 2023-10-19 | 西安广和通无线通信有限公司 | 数据协作处理方法、系统、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309914A (zh) * | 2019-07-03 | 2019-10-08 | 中山大学 | 基于边缘服务器与移动端设备协同的深度学习模型推理加速方法 |
CN110347500A (zh) * | 2019-06-18 | 2019-10-18 | 东南大学 | 用于边缘计算环境中面向深度学习应用的任务卸载方法 |
CN110473623A (zh) * | 2019-07-16 | 2019-11-19 | 武汉联影医疗科技有限公司 | 医疗服务系统 |
CN112822701A (zh) * | 2020-12-31 | 2021-05-18 | 中山大学 | 边缘计算场景下多用户深度神经网络模型分割与资源分配优化方法 |
-
2020
- 2020-01-20 CN CN202010064746.4A patent/CN111312368A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347500A (zh) * | 2019-06-18 | 2019-10-18 | 东南大学 | 用于边缘计算环境中面向深度学习应用的任务卸载方法 |
CN110309914A (zh) * | 2019-07-03 | 2019-10-08 | 中山大学 | 基于边缘服务器与移动端设备协同的深度学习模型推理加速方法 |
CN110473623A (zh) * | 2019-07-16 | 2019-11-19 | 武汉联影医疗科技有限公司 | 医疗服务系统 |
CN112822701A (zh) * | 2020-12-31 | 2021-05-18 | 中山大学 | 边缘计算场景下多用户深度神经网络模型分割与资源分配优化方法 |
Non-Patent Citations (1)
Title |
---|
黄倩: "讨论边缘云在医疗影像中的应用", 《数据通信》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023197687A1 (zh) * | 2022-04-13 | 2023-10-19 | 西安广和通无线通信有限公司 | 数据协作处理方法、系统、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111107783B (zh) | 用于计算机辅助分诊的方法和系统 | |
CN111862096B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN113673697A (zh) | 基于相邻卷积的模型剪枝方法、装置及存储介质 | |
CN113706502B (zh) | 一种人脸图像质量评估方法及装置 | |
CN112150470B (zh) | 图像分割方法、装置、介质及电子设备 | |
CN111223128A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
CN111312368A (zh) | 一种基于边缘计算的加速医学图像处理速度的方法 | |
CN113571194A (zh) | 肝细胞癌远期预后预测的建模方法及装置 | |
CN112017788B (zh) | 基于强化学习模型的疾病排序方法、装置、设备及介质 | |
CN112102351A (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
CN113034428A (zh) | 用于在头部ct平扫图像中检测急性颅内出血的深度学习系统 | |
EP4167138A1 (en) | Method and system for neural document embedding based ontology mapping | |
CN116128044A (zh) | 一种模型剪枝方法、图像处理方法及相关装置 | |
CN115294400A (zh) | 图像分类模型的训练方法、装置、电子设备及存储介质 | |
US20220343146A1 (en) | Method and system for temporal graph neural network acceleration | |
EP3859611A1 (en) | Method, apparatus and device for updating convolutional neural network using gpu cluster | |
CN114548403A (zh) | 一种医学图像数据平台的数据处理方法与系统 | |
WO2022094335A1 (en) | Systems and methods for applying a lens function generated using supervised learning techniques to segment data provided to an unsupervised learning model | |
CN114757244A (zh) | 模型训练方法、装置、存储介质及设备 | |
CN112070144A (zh) | 图像聚类方法、装置、电子设备以及存储介质 | |
CN116187476B (zh) | 基于混合监督的肺叶分割模型训练、肺叶分割方法及装置 | |
CN113393445B (zh) | 乳腺癌影像确定方法及系统 | |
EP4286879A1 (en) | Machine learning techniques for mri processing using regional scoring of non-parametric voxel integrity rankings | |
CN115564788B (zh) | 基于先验信息的肺气管分割模型训练、分割方法和装置 | |
CN117038105B (zh) | 一种基于信息增强图神经网络的药物重定位方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |