云技術的發展使得很多領域能夠在遠程進行數據交互，極大地提高了各行各業運作的協同性，對醫療衛生行業更是產生了巨大的幫助和推進。該文首先基于云平臺技術提出了傷口數據由基層醫院匯總到中心醫院統一進行診斷的數據平臺架構。其次模擬了通過區域生長算法結合中值濾波技術的方法，對通過不同介質上傳的垂直角度傷口圖像進行標準化處理，從而獲得可對比和檢索的標準化傷口圖像。實驗結果驗證此框架設計下提出方法的有效性。
引用本文： 鄧悟, 師慶科, 黃勇, 白丁, 陳佳麗. 基于標準化的傷口數據云平臺探討. 華西醫學, 2015, 30(10): 1842-1844. doi: 10.7507/1002-0179.20150530 復制
云技術具有動態成本、彈性擴展、高計算能力、資源整合、多租戶、可靠和安全等顯著優勢，其通過網絡以按需的方式給用戶提供服務[1]。伴隨云計算能力的加強和解決方案的逐步成熟，通過云計算改善醫療領域各級醫院信息化“各自為政”、分級醫療中信息互聯互通程度較低等現狀，成為一個新興方案。與此同時，國家大力推動區域協同醫療發展，越來越多的醫療信息和醫療資源亟需得到共享，而云技術動態成本的特點，完美地均衡了基層醫院與中心醫院信息化程度不同、醫療人才儲備不同的現狀。
傷口護理作為護理學的三級學科，包含傷口護理、造口護理、失禁護理等多個亞專業，目前在西方等發達國家已發展成為學術機構健全、信息化程度較高和信息交互網絡成熟的護理亞專業[2]。在傷口治療師的培養過程中，需要借助大量的、多科室的臨床病例進行參考、實踐，以及使用不同種類的藥物、耗材和設備。對于基層醫院，傷口治療師不僅培訓成本難以承受，其患者數量也無法支撐一個傷口治療師滿負荷的工作，容易造成資源浪費。通過云技術將基層醫院的傷口圖像傳給區域中心醫院進行閱片、診斷和分析，有利于提高傷口治療工作的質量。
1 基于云技術的傷口數據平臺構架
傷口數據平臺開發是為了解決在資源有限的情況下，合理分配傷口治療師資源。來自基層醫院的人員信息、傷口數據、康復方案等數據通過互聯網傳輸到傷口數據平臺中。基層的傷口治療人員僅僅承擔拍攝和傳輸傷口圖像的工作，不需要耗費資金建設傷口圖像的分析設備和傷口數據的運算設備。中心醫院建立統一的閱片中心，搭配中心醫院搭建的優質云端設備設施進行數據分析處理并提出治療方案，輔助基層醫院作出更好的處理和診斷。中心醫院對基層醫院上傳的傷口數據進行統一存儲并加以備份，獲得更大的傷口數據樣本，有利于傷口治療師的培養和相關科研教學工作的開展。
數據平臺構架分為4級，由于中心醫院資金充裕、技術力量強大以及科研教學任務較重，因此承擔數據層、運算層和應用層的建設，基層醫院人力、資金較少，承擔數據傳輸層的工作。
數據層：中心醫院采用2個機房、雙機熱備方式對傷口數據進行存儲，實現異地容災，避免因為中心醫院意外災害造成傷口數據的永久流失。結合商業智能技術[3]對傷口數據進行整合，實現標準化存儲，為后續的信息挖掘提供數據支撐。
運算層：運算層主要分為轉換引擎和處理引擎[4] 2個部分。前者將初始上傳的非標準化傷口數據轉為標準化數據，后者將標準化的數據進行多元化處理（包含圖像處理、圖像修復和圖像預測等），達到更好的觀察效果和實驗效果。
應用層：提供圖像閱覽和統計分析兩項核心功能。調用數據層中的原始數據和運算層中的處理信息，呈現出經過后處理的特征圖像，從而輔助傷口治療師進行診斷和用藥。
傳輸層：基層醫院采用電腦攝像頭、照相機、手機對傷口進行固定角度拍攝，再將其傳輸到云平臺。
2 傷口數據平臺處理模型
對于傳輸層上傳的傷口圖像，由于其拍攝介質的多樣性，需要將其轉為標準化數據，以便進行對比、分析和統計。通常情況下，傷口圖像的拍攝選擇從傷口刨面[5]垂直向下進行拍攝，為了保證相似傷口圖像的一致性，需要對其不同分辨率、不同拍攝高度進行標準化處理。由此引入區域生長算法，結合中值濾波算法對其進行校正。
2.1 結構化數據提取流程圖
本文方法需要對垂直片拍攝的傷口圖像進行中值濾波預處理[6]、遍歷圖像所有像素點并通過最大類間方差法求得最佳分割閾值，然后再進行區域生長，其具體流程圖如圖 1所示。
圖1
分割提取方法流程圖
2.2 區域生長原理
區域生長算法是根據圖像內部像素點灰度的相似性質來聚集像素點的一種方法[7]，先選取劃定一個初始區域比如一塊很小的鄰域或者是某一個像素點作為區域生長的種子點開始，通過周圍相鄰的像素點與種子點進行比對，從而將具有相同性質的像素點或區域歸入進目前的區域中來逐漸擴展區域生長的區域，此過程一直迭代進行到沒有可以歸并的點或者區域為止。區域生長判定準則的相似性度量可以選取紋理、顏色以及平均灰度等信息作為判定屬性[8]。
將最開始種子像素的位置記為初始種子像素值f（x0，y0），那么該種子周圍八鄰域像素的灰度值記為：
| $g\left( {{x_i},{y_i}} \right) = f\left( {{x_0},\Delta y} \right),\left( {\Delta x,\Delta y \in \left[ { - 1,1} \right]} \right)$ |
生長準則可以表達成：
| $f\left( {{x_i},{y_i}} \right) = \left\{ {\begin{array}{*{20}{l}} 0&{\left\{ {\left| {f\left( {{x_i},{y_i}} \right) - f\left( {{x_0},{y_0}} \right)} \right| \leqslant T} \right\}} \\ {225}&{\left\{ {\left| {f\left( {{x_i},{y_i}} \right) - f\left( {{x_0},{y_0}} \right)} \right| > T} \right\}} \end{array}} \right.$ |
區域生長算法應用于傷口圖像的具體實現策略即為：首先在傷口圖像待分割提取的較中心區域中選取一個種子像素當作區域生長的起點，從而將其模擬為傷口圖像生長的起點。而后通過之前規定的判定準則將周圍具有相似或者相同的種子像素歸并入種子像素當前的傷口區域里，然后再讓這些新的像素作為新的種子像素重復之前的生長過程，直至目標區域中的所有像素點都進行過生長判定后就完成傷口圖像的模擬（圖 2）。
圖2
通過區域生長算法模擬傷口圖像 2a. 原始傷口圖像 2b模擬傷口生長圖像? ?圖 3經過降噪后傷口標準化圖像 3a.系統截取傷口圖像 3b.降噪后的傷口圖像 3c.系統還原的傷口圖像
2.3 運用中值濾波算法進行降噪
通過該生長準則可以看出，閾值T的選擇影響到生長準則的運算結果，從而決定了區域生長過程中的判定以及最后生長區域的大小以及準確度，一般的醫學圖像例如CT圖，由于噪聲較小，目標區域與背景的灰度差異較大，所以通過手動設定生長閾值可以較為有效的進行區域生長從而分割出目標區域。而本文選取的相機、手機和攝像頭拍攝的常規圖像，由于存在一定的噪聲[9]，目標與背景區域紋理和顏色可能差別較小，傳統的手動設置閾值的區域生長算法將很難達到理想的分割效果，由此需引入中值濾波算法進行降噪處理。
中值濾波是一種典型的非線性信號處理方式[10]，在椒鹽噪聲、脈沖噪聲的抑制上具有良好的效果，在濾波的處理過程后，不但有效地抑制了拍攝介質對圖像的影響，還保持了圖像的邊緣信息與細節信息。其基本原理是，通過取傷口圖像（圖 3a）中某一點附近領域中各個點灰度值的中值來取代該點的灰度值，達到消除孤立的噪聲點的效果。其使用的方法是用一種二維滑動模板，讓像素按照其灰度值的大小進行排列，產生單調下降（上升）的二維數據序列。設一個一維序列，取模板長度為奇數n，模板中的數據設為{fi-j…fi…fi+j}，其代表該模板的中心值，將這個點按照其數值大小進行排列，再取其中間序號的數值作為濾波輸出。該表達式為：yi=Med{fi-j…fi…fi+j}，其中i∈Z，j=（n-1）/2，這里通過二維數據來描述數字圖像，所以這里的濾波即為對二維數據序列的濾波。二維中值濾波的輸出可以表達為：
| $g\left( {x,y} \right) = med\left\{ {f\left( {x - k,y - l} \right),k \in W} \right\}$ |
該表達式中f（x，y），g（x，y）各自表示為原始傷口圖像以及處理之后傷口圖像的像素點的集合，其降噪結果如圖 3b。而W為二維模板，本文選擇了傷口圖像常用的9×9模板（根據傷口圖像存儲規模，可選取其他模板，如圓形、線狀、圓環形或十字形等等）。本文使用了八鄰域的中值濾波[11]，不僅能對傷口圖像中創傷目標區域進行去噪，還能對傷口截面以及邊緣等目標區域內部的像素進行平滑，使目標區域內部像素變化更為緩和，避免了在區域生長時由于噪聲干擾而導致的過分割以及欠分割現象。由圖 3c可見，一副普通手機拍攝的垂直傷口圖像，經過系統模擬生長、中值濾波降噪、系統分割還原[12]后，成為了一副9×9像素模板的標準化圖像。
3 結語
本文基于區域醫療現狀，分析傷口治療領域特點，利用圖像處理算法和云技術的優點，提出了基于云技術的標準化傷口數據平臺。該數據平臺結合目前醫療資源、資金情況分在不均衡的情況，提出中心醫院承擔數據分析、處理和診斷工作，基層醫院提供數據上傳和診斷執行工作，一定程度上對國家推進的分級醫療進行響應。
目前該平臺在運行過程中，占用的系統資源較大，應用層面提供的請求算法相對較少。在未來的研究工作中，將會針對不同傷口圖像情況，采取不同的圖像算法進行響應。
云技術具有動態成本、彈性擴展、高計算能力、資源整合、多租戶、可靠和安全等顯著優勢，其通過網絡以按需的方式給用戶提供服務[1]。伴隨云計算能力的加強和解決方案的逐步成熟，通過云計算改善醫療領域各級醫院信息化“各自為政”、分級醫療中信息互聯互通程度較低等現狀，成為一個新興方案。與此同時，國家大力推動區域協同醫療發展，越來越多的醫療信息和醫療資源亟需得到共享，而云技術動態成本的特點，完美地均衡了基層醫院與中心醫院信息化程度不同、醫療人才儲備不同的現狀。
傷口護理作為護理學的三級學科，包含傷口護理、造口護理、失禁護理等多個亞專業，目前在西方等發達國家已發展成為學術機構健全、信息化程度較高和信息交互網絡成熟的護理亞專業[2]。在傷口治療師的培養過程中，需要借助大量的、多科室的臨床病例進行參考、實踐，以及使用不同種類的藥物、耗材和設備。對于基層醫院，傷口治療師不僅培訓成本難以承受，其患者數量也無法支撐一個傷口治療師滿負荷的工作，容易造成資源浪費。通過云技術將基層醫院的傷口圖像傳給區域中心醫院進行閱片、診斷和分析，有利于提高傷口治療工作的質量。
1 基于云技術的傷口數據平臺構架
傷口數據平臺開發是為了解決在資源有限的情況下，合理分配傷口治療師資源。來自基層醫院的人員信息、傷口數據、康復方案等數據通過互聯網傳輸到傷口數據平臺中。基層的傷口治療人員僅僅承擔拍攝和傳輸傷口圖像的工作，不需要耗費資金建設傷口圖像的分析設備和傷口數據的運算設備。中心醫院建立統一的閱片中心，搭配中心醫院搭建的優質云端設備設施進行數據分析處理并提出治療方案，輔助基層醫院作出更好的處理和診斷。中心醫院對基層醫院上傳的傷口數據進行統一存儲并加以備份，獲得更大的傷口數據樣本，有利于傷口治療師的培養和相關科研教學工作的開展。
數據平臺構架分為4級，由于中心醫院資金充裕、技術力量強大以及科研教學任務較重，因此承擔數據層、運算層和應用層的建設，基層醫院人力、資金較少，承擔數據傳輸層的工作。
數據層：中心醫院采用2個機房、雙機熱備方式對傷口數據進行存儲，實現異地容災，避免因為中心醫院意外災害造成傷口數據的永久流失。結合商業智能技術[3]對傷口數據進行整合，實現標準化存儲，為后續的信息挖掘提供數據支撐。
運算層：運算層主要分為轉換引擎和處理引擎[4] 2個部分。前者將初始上傳的非標準化傷口數據轉為標準化數據，后者將標準化的數據進行多元化處理（包含圖像處理、圖像修復和圖像預測等），達到更好的觀察效果和實驗效果。
應用層：提供圖像閱覽和統計分析兩項核心功能。調用數據層中的原始數據和運算層中的處理信息，呈現出經過后處理的特征圖像，從而輔助傷口治療師進行診斷和用藥。
傳輸層：基層醫院采用電腦攝像頭、照相機、手機對傷口進行固定角度拍攝，再將其傳輸到云平臺。
2 傷口數據平臺處理模型
對于傳輸層上傳的傷口圖像，由于其拍攝介質的多樣性，需要將其轉為標準化數據，以便進行對比、分析和統計。通常情況下，傷口圖像的拍攝選擇從傷口刨面[5]垂直向下進行拍攝，為了保證相似傷口圖像的一致性，需要對其不同分辨率、不同拍攝高度進行標準化處理。由此引入區域生長算法，結合中值濾波算法對其進行校正。
2.1 結構化數據提取流程圖
本文方法需要對垂直片拍攝的傷口圖像進行中值濾波預處理[6]、遍歷圖像所有像素點并通過最大類間方差法求得最佳分割閾值，然后再進行區域生長，其具體流程圖如圖 1所示。
圖1
分割提取方法流程圖
2.2 區域生長原理
區域生長算法是根據圖像內部像素點灰度的相似性質來聚集像素點的一種方法[7]，先選取劃定一個初始區域比如一塊很小的鄰域或者是某一個像素點作為區域生長的種子點開始，通過周圍相鄰的像素點與種子點進行比對，從而將具有相同性質的像素點或區域歸入進目前的區域中來逐漸擴展區域生長的區域，此過程一直迭代進行到沒有可以歸并的點或者區域為止。區域生長判定準則的相似性度量可以選取紋理、顏色以及平均灰度等信息作為判定屬性[8]。
將最開始種子像素的位置記為初始種子像素值f（x0，y0），那么該種子周圍八鄰域像素的灰度值記為：
| $g\left( {{x_i},{y_i}} \right) = f\left( {{x_0},\Delta y} \right),\left( {\Delta x,\Delta y \in \left[ { - 1,1} \right]} \right)$ |
生長準則可以表達成：
| $f\left( {{x_i},{y_i}} \right) = \left\{ {\begin{array}{*{20}{l}} 0&{\left\{ {\left| {f\left( {{x_i},{y_i}} \right) - f\left( {{x_0},{y_0}} \right)} \right| \leqslant T} \right\}} \\ {225}&{\left\{ {\left| {f\left( {{x_i},{y_i}} \right) - f\left( {{x_0},{y_0}} \right)} \right| > T} \right\}} \end{array}} \right.$ |
區域生長算法應用于傷口圖像的具體實現策略即為：首先在傷口圖像待分割提取的較中心區域中選取一個種子像素當作區域生長的起點，從而將其模擬為傷口圖像生長的起點。而后通過之前規定的判定準則將周圍具有相似或者相同的種子像素歸并入種子像素當前的傷口區域里，然后再讓這些新的像素作為新的種子像素重復之前的生長過程，直至目標區域中的所有像素點都進行過生長判定后就完成傷口圖像的模擬（圖 2）。
圖2
通過區域生長算法模擬傷口圖像 2a. 原始傷口圖像 2b模擬傷口生長圖像? ?圖 3經過降噪后傷口標準化圖像 3a.系統截取傷口圖像 3b.降噪后的傷口圖像 3c.系統還原的傷口圖像
2.3 運用中值濾波算法進行降噪
通過該生長準則可以看出，閾值T的選擇影響到生長準則的運算結果，從而決定了區域生長過程中的判定以及最后生長區域的大小以及準確度，一般的醫學圖像例如CT圖，由于噪聲較小，目標區域與背景的灰度差異較大，所以通過手動設定生長閾值可以較為有效的進行區域生長從而分割出目標區域。而本文選取的相機、手機和攝像頭拍攝的常規圖像，由于存在一定的噪聲[9]，目標與背景區域紋理和顏色可能差別較小，傳統的手動設置閾值的區域生長算法將很難達到理想的分割效果，由此需引入中值濾波算法進行降噪處理。
中值濾波是一種典型的非線性信號處理方式[10]，在椒鹽噪聲、脈沖噪聲的抑制上具有良好的效果，在濾波的處理過程后，不但有效地抑制了拍攝介質對圖像的影響，還保持了圖像的邊緣信息與細節信息。其基本原理是，通過取傷口圖像（圖 3a）中某一點附近領域中各個點灰度值的中值來取代該點的灰度值，達到消除孤立的噪聲點的效果。其使用的方法是用一種二維滑動模板，讓像素按照其灰度值的大小進行排列，產生單調下降（上升）的二維數據序列。設一個一維序列，取模板長度為奇數n，模板中的數據設為{fi-j…fi…fi+j}，其代表該模板的中心值，將這個點按照其數值大小進行排列，再取其中間序號的數值作為濾波輸出。該表達式為：yi=Med{fi-j…fi…fi+j}，其中i∈Z，j=（n-1）/2，這里通過二維數據來描述數字圖像，所以這里的濾波即為對二維數據序列的濾波。二維中值濾波的輸出可以表達為：
| $g\left( {x,y} \right) = med\left\{ {f\left( {x - k,y - l} \right),k \in W} \right\}$ |
該表達式中f（x，y），g（x，y）各自表示為原始傷口圖像以及處理之后傷口圖像的像素點的集合，其降噪結果如圖 3b。而W為二維模板，本文選擇了傷口圖像常用的9×9模板（根據傷口圖像存儲規模，可選取其他模板，如圓形、線狀、圓環形或十字形等等）。本文使用了八鄰域的中值濾波[11]，不僅能對傷口圖像中創傷目標區域進行去噪，還能對傷口截面以及邊緣等目標區域內部的像素進行平滑，使目標區域內部像素變化更為緩和，避免了在區域生長時由于噪聲干擾而導致的過分割以及欠分割現象。由圖 3c可見，一副普通手機拍攝的垂直傷口圖像，經過系統模擬生長、中值濾波降噪、系統分割還原[12]后，成為了一副9×9像素模板的標準化圖像。
3 結語
本文基于區域醫療現狀，分析傷口治療領域特點，利用圖像處理算法和云技術的優點，提出了基于云技術的標準化傷口數據平臺。該數據平臺結合目前醫療資源、資金情況分在不均衡的情況，提出中心醫院承擔數據分析、處理和診斷工作，基層醫院提供數據上傳和診斷執行工作，一定程度上對國家推進的分級醫療進行響應。
目前該平臺在運行過程中，占用的系統資源較大，應用層面提供的請求算法相對較少。在未來的研究工作中，將會針對不同傷口圖像情況，采取不同的圖像算法進行響應。
