一种基于边缘侧计算和服务装置的病理诊断系统及方法与流程

本发明属于属于医疗影像识别，边缘计算以及自动化系统工程的交叉领域，具体涉及一种基于边缘侧计算和服务装置的病理诊断系统及方法。

背景技术：

病理切片检查在医学上有着非常广泛的应用，无论是对疾病的组织学检查，还是对肿瘤性质的判断，有着非常重要的地位。但是传统的病理切片不易保存，多次使用会造成磨损，而且使用人在观察病理切片的时候还要借助显微镜，不能多人同时观察。这些缺点都是不可避免的，随着社会的发展，病理切片在经过数字化之后就可以避开以上缺点，而且还可以方便研究人员的日后处理研究。

技术实现要素：

为解决现有技术中的不足，本发明提出一种基于边缘侧计算装置的病理诊断系统及方法。其中，一种基于边缘侧计算装置的病理诊断系统，包括：数字切片扫描仪、边缘侧计算终端、医生诊断工作站以及边缘侧集成计算服务器；

所述数字切片扫描仪与所述边缘侧计算终端相连接，所述边缘侧计算终端分别与所述医生诊断工作站和边缘侧集成服务器相连接；

所述数字切片扫描仪，将病理切片扫描为病理切片数字影像，并将病理切片数字影像传递给所述边缘侧计算终端；

所述边缘侧计算终端，接收所述数字切片扫描仪传递过来的病理切片数字影像，将病理切片数字影像进行边缘计算处理，给出初步诊断结果，包括病灶部位的识别结果以及分割结果，并将经过边缘计算处理后的病理切片数字影像和初步诊断结果传递给医生诊断工作站；同时接收医生诊断工作站反馈的医生诊断结果并对其标注部位进行确认，并将初步诊断结果和医生诊断结果综合为测试结果，并对测试结果进行加密后传递给边缘侧集成计算服务器；

所述医生诊断工作站，医生根据边缘计算后的病理切片数字影像进行医学诊断，并将医生诊断结果传递给边缘侧计算终端。

所述边缘侧集成计算服务器：接收所述边缘侧计算终端传递过来的加密后测试结果，在之前训练的模型基础上进行新一轮的训练，并将新一轮训练后的模型参数传递给边缘侧计算终端。

所述边缘侧集成计算服务器，被放置在远端；

所述边缘侧计算终端，被放置在医院内部。

所述边缘侧集成计算服务器，多家医院采用同一台边缘集成计算服务器，各家医院的加密后测试结果均传递给同一台边缘集成计算服务器，所述边缘侧集成计算服务器利用所有医院的加密后测试结果，重新进行新一轮的训练，并将新一轮训练后的模型参数传递给各家医院的边缘侧计算终端。

所述边缘侧集成计算服务器，进行新一轮的训练时，过滤滤掉病人信息，通过安全链接传输至每家医院系统中边缘侧计算装置，从而达到保护病人隐私的目的。

所述安全链接，包括：

(1)过滤掉病人的基本信息，例如：病人姓名，年龄，性别等。

(2)对安全链接中的信息进行加密操作，只有通过密钥才可以打开安全链接；

首先对原始文件进行hash操作；其次产生随机数来加密原始文件；最后利用公钥加密随机数，来确保只有边缘侧集成计算服务器才可以打开安全链接。

一种基于边缘侧计算装置的病理诊断方法，采用所述的基于边缘侧计算装置的病理诊断系统实现，具体步骤如下：

步骤s1：使用数字切片扫描仪将病理切片扫描为病理切片数字影像，并将病理切片数字影像传递给所述边缘侧计算终端；

步骤s2：使用边缘侧计算终端，接收所述数字切片扫描仪传递过来的病理切片数字影像，将病理切片数字影像进行边缘计算处理，并给出初步诊断结果，包括病灶部位识别结果以及分割结果，并将经过边缘计算处理后的病理切片数字影像和初步诊断结果传递给医生诊断工作站；

步骤s3：通过医生诊断工作站，医生根据边缘计算后的病理切片数字影像进行医学诊断，并将医生诊断结果传递给边缘侧计算终端。

步骤s4：使用边缘侧计算终端，对医生诊断工作站反馈的医生诊断结果和步骤s2生成的初步诊断结果进行综合，生成测试结果，并将测试结果加密后传递给边缘侧集成计算服务器。

步骤s5：使用边缘侧集成计算服务器，根据边缘侧计算终端传递过来的加密后测试结果，进行新一轮的模型训练，并将新一轮训练后的模型参数传递给边缘侧计算终端。

在步骤s2中，进行边缘计算处理，并给出初步诊断结果的过程如下步骤：

步骤s2.1：将病理切片数字影像进行标准化预处理；

步骤s2.1.1：对病理切片数字影像进行归一化；

步骤s2.1.2：对归一化后的病理切片数字影像进行锐化；

步骤s2.1.3：对锐化后的数字影像进行裁剪成指定大小。

步骤s2.2：将预处理后的病理切片数字影像，进行边缘计算处理，并给出初步诊断结果；

s2.2.1：设置初始的模型参数；

s2.2.2：将预处理后的病理切片数字影像放入u-net网络中进行测试，输出初步诊断结果，即多张带有病变部位识别及分割的图像；所述u-net网络由边缘侧集成计算服务器传过来的利用u-net算法已经训练好的初始网络模型以及模型参数；

s2.2.3接收边缘侧集成计算服务器传递过来的新模型参数，转到步骤s2.2.2，将新模型参数代替原模型参数，等待对下一次预处理后的病理切片数字影像进行处理，输出下一步初步诊断的结果。

所述步骤s1～步骤s5之后还包括，步骤s6，具体如下：

步骤s6：多家医院使用同一台边缘侧集成计算服务器，该边缘侧集成计算服务器接受从每家医院系统中传递过来的经过医生诊断的数字病理切片数字影像，将这些图像分为训练集、验证集和测试集，并将训练集和测试集输入已经创建的网络模型，在之前训练权重的基础上，重新对模型进行训练，输出新的模型参数，将新的模型参数传递给各家医院的边缘侧计算终端。

本申请所达到的有益效果：

本发明提出一种基于边缘侧计算装置的病理诊断系统及方法，利用边缘侧计算技术与数字扫描仪相结合，可以更加方便的对数字图像进行保存、传输、计算等操作，在扫描存储同时病灶识别以及初筛诊断，可与医生诊断平台及远程会诊系统对接，大大提高病理切片识别效率。

本发明采用边缘侧计算技术快速对数字病理切片进行预处理，辅助医生进行精准判断，并且还采用联合学习的机制，保护病人隐私的同时收集多家医院工作站训练结果，并返回对应的修正参数。随着不同医院病理切片数据的不断增多，本系统将会获得一个鲁棒性高，识别效率快，识别精度高的模型，并优化辅助医生进行诊断。

附图说明

图1为本发明实施例的基于边缘侧计算和服务装置的病理诊断系统针对一家医院的系统结构图；

图2为本发明实施例的多家医院联合训练系统结构图；

图3为本发明实施例的多家医院联合训练整体架构图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

本发明提出一种基于边缘侧计算和服务装置的病理诊断系统及方法。一种基于边缘侧计算和服务装置的病理诊断系统，应用在一家医院中时，如图1所示，包括：数字切片扫描仪、边缘侧计算终端、医生诊断工作站以及边缘侧集成计算服务器；

所述数字切片扫描仪与所述边缘侧计算终端相连接，所述边缘侧计算终端分别与所述医生诊断工作站和边缘侧集成服务器相连接；

所述数字切片扫描仪，将病理切片扫描为病理切片数字影像，并将病理切片数字影像传递给所述边缘侧计算终端；

所述边缘侧计算终端，接收所述数字切片扫描仪传递过来的病理切片数字影像，将病理切片数字影像进行边缘计算处理，给出初步诊断结果，包括病灶部位识别结果以及分割结果，并将经过边缘计算处理后的病理切片数字影像和初步诊断结果传递给医生诊断工作站；同时接收医生诊断工作站反馈的医生诊断结果并对其标注部位进行确认，将并将初步诊断结果和医生诊断结果综合为测试结果，并对测试结果进行加密后传递给边缘侧集成计算服务器；

所述医生诊断工作站，医生根据边缘计算后的病理切片数字影像进行医学诊断，并将医生诊断结果传递给边缘侧计算终端；

所述边缘侧集成计算服务器：接收所述边缘侧计算终端传递过来的加密后测试结果，在之前训练的模型基础上进行新一轮的训练，并将新一轮训练后的模型参数传递给边缘侧计算终端。

所述边缘侧计算终端与所述所述边缘侧集成计算服务器，合起来被称为边缘侧计算和服务装置。

所述边缘侧集成计算服务器，被放置在远端；

所述边缘侧计算终端，被放置在医院内部。

所述边缘侧集成计算服务器，若多家医院应用该系统，如图2，图3所示，则多家医院采用同一台边缘集成计算服务器，各家医院的加密后测试结果均传递给同一台边缘集成计算服务器，所述边缘侧集成计算服务器利用所有医院的加密后测试结果，重新进行新一轮的训练，并将新一轮训练后的模型参数传递给各家医院的边缘侧计算终端。

所述边缘侧集成计算服务器，进行新一轮的训练时，通过安全链接传输至每家医院系统中边缘侧计算装置。

所述安全链接，包括：

(1)过滤掉病人的基本信息；

(2)对安全链接中的信息进行加密操作，只有通过密钥才可以打开安全链接。

首先对原始文件进行hash操作；其次产生随机数来加密原始文件；最后利用公钥加密随机数，来确保只有边缘侧集成计算服务器才可以打开安全链接。

一种基于边缘侧计算和服务装置的病理诊断方法，采用基于边缘侧计算和服务装置的病理诊断系统实现，具体步骤如下：

步骤s1：使用数字切片扫描仪将病理切片扫描为病理切片数字影像，并将病理切片数字影像传递给所述边缘侧计算终端；

步骤s2：使用边缘侧计算终端，接收所述数字切片扫描仪传递过来的病理切片数字影像，将病理切片数字影像进行边缘计算处理，并给出初步诊断结果，包括病灶部位识别结果以及分割结果，并将经过边缘计算处理后的病理切片数字影像和初步诊断结果传递给医生诊断工作站；

步骤s3：通过医生诊断工作站，医生根据边缘计算后的病理切片数字影像进行医学诊断，并将医生诊断结果传递给边缘侧计算终端；

步骤s4：使用边缘侧计算终端，对医生诊断工作站反馈的医生诊断结果和步骤s2生成的初步诊断结果进行综合，生成测试结果，并将测试结果加密后传递给边缘侧集成计算服务器；

步骤s5：使用边缘侧集成计算服务器，根据边缘侧计算终端传递过来的加密后测试结果，进行新一轮的模型训练，并将新一轮训练后的模型参数传递给边缘侧计算终端。

在所述步骤s2中，具体为：

步骤s2.1：将病理切片数字影像进行标准化预处理；

步骤s2.2：将预处理后的病理切片数字影像，进行边缘计算处理，并给出初步诊断结果。

所述标准化预处理过程如下：

步骤s2.1.1：对病理切片数字影像进行归一化；

为了消除光线不均匀对图像造成的干扰，我们对图像进行归一化操作。即用图像每个通道的每个像素点除以255，使每个像素点f(x,y)限制在0-1之间。

步骤s2.1.2：对归一化后的病理切片数字影像进行锐化；

为了使图像边缘特征更加明显，模型识别更加准确。本发明使用拉普拉斯算子对图像进行锐化。即利用拉普拉斯卷积核去和图像的每一个3*3的像素做卷积。

步骤s2.1.3：对锐化后的数字影像进行裁剪成指定大小。

由于病理切片图像太大，所以本申请实施例将锐化后的图像利用滑动窗口裁剪成1024*1024大小的图。

在所述步骤2.2中，具体为：

s2.2.1：设置初始的模型参数；

s2.2.2：将预处理后的病理切片数字影像放入u-net网络中进行测试，输出初步诊断结果，即多张带有病变部位识别图像及分割的图像；所述u-net网络由边缘侧集成计算服务器传过来的利用u-net算法已经训练好的初始网络模型以及模型参数；

所述u-net算法及建立u-net网络具体过程均为现有技术，本申请不再赘述。

s2.2.3接收边缘侧集成计算服务器传递过来的新模型参数，转到步骤s2.2.2，将新模型参数代替原模型参数，等待对下一次预处理后的病理切片数字影像进行处理，输出下一步初步诊断的结果。

所述步骤s1～步骤s5之后还包括，步骤s6，具体如下：

步骤s6：多家医院使用同一台边缘侧集成计算服务器，该边缘侧集成计算服务器接受从每家医院系统中传递过来的经过医生诊断的数字病理切片数字影像，将这些图像分为训练集、验证集和测试集，并将训练集和测试集输入已经创建的网络模型，在之前训练权重的基础上，重新对模型进行训练，针对测试结果选取f1-score、roc曲线、pr曲线、map四个检测指标中对应分割或分类模型的评价指标进行评价，当评价分数超过所设定阈值(一般由医学专家评估确定)时停止训练，输出新的模型参数，将新的模型参数传递给各家医院的边缘侧计算终端。

所述的f1-score、roc曲线、pr曲线、map四个检测指标均有现有技术，本申请不再赘述。

(1)将从各家医院传递过来经过裁剪后的图片划分为60％的训练集，20％的验证集，20％测试集。(2)将训练集和测试集输入网络，在之前训练权重的基础上，重新对模型进行训练。直到测试集测试出来的效果较好时候停止训练。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。