Methodenartikel

Automatisierte Digitalisierung von 12-Leitungen-Elektrokardiogrammen (EKG) und WaveForm DataBase (WFDB) Standardisierung: Erkenntnisse aus vietnamesischen klinischen Daten

DOI:

10.3791/70359

⸱

13. März 2026

 ,  ,  , 
1Faculty of Mechanical Engineering, Saigon Technology University, 2Faculty of Information Technology, Industrial University of Ho Chi Minh City, 3Faculty of Information Technology, FPT University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hier präsentieren wir ein reproduzierbares Protokoll zur Umwandlung von 12-Leitungs-EKG-Bildern aus praxisnahen klinischen Berichten in kalibrierte, WFDB-konforme digitale Signale für standardisierte Downstream-Analysen, Integration von Gitterkalibrierung, YOLOv12-basierter Bleilokalisierung, Wellenformextraktion (Viterbi oder verbesserte Mittellinie) und visuelle Validierungskontrollpunkte.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Viele Kliniken archivieren noch immer 12-Kanal-Elektrokardiogramme (EKG) als gedruckte Papieraufzeichnungen oder Rasterbilder, eingebettet in PDF-Berichte, was die Interoperabilität und die nachgelagerte Computeranalyse einschränkt. Hier präsentieren wir ein reproduzierbares Digitalisierungsprotokoll, das EKG-Berichtsbilder in WaveForm DataBase (WFDB)-konforme digitale Signale für standardisierte nachgelagerte Nutzung umwandelt. Das Protokoll besteht aus (i) Gittererkennung und Pixel-zu-Physik-Kalibrierung, (ii) automatisierter Lokalisierung und Beschriftung der 12 Führungsregionen mittels eines Objekterkennungsmodells, (iii) Signalvorverarbeitung und -normalisierung sowie (iv) Wellenform-Extraktion entweder mit einer kontinuierlichkeitsbeschränkten Pfadmethode (Viterbi) oder einem verbesserten mittellinienbasierten Ansatz. Der Arbeitsablauf ist darauf ausgelegt, heterogene klinische Layouts, variable Gittersichtbarkeit und häufige Bilddartefakte zu bewältigen und beinhaltet visuelle Kontrollpunkte zur Qualitätskontrolle in jeder Phase. Das Protokoll liefert zeitlich ausgerichtete 12-Leiter WFDB-Datensätze, die für reproduzierbare Analysen in Signalverarbeitung und maschinellen Lernpipelines geeignet sind.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das 12-fache Elektrokardiogramm (EKG) ist ein Grundpfeiler der kardiovaskulären Beurteilung und wird weiterhin weit verbreitet für Screening, Überwachung und klinischeEntscheidungsfindung verwendet. Trotz laufender Digitalisierungsbemühungen speichern viele Institutionen EKG weiterhin als gedruckte Papieraufzeichnungen oder rasterisierte Bilder, die in PDF-Berichte eingebettet sind, was die Suchbarkeit verringert und die Längsnachverfolgungerschwert. Wichtig ist, dass bildbasierte Speicherung die direkte Nutzung standardisierter EKG-Toolkits und maschineller Lernpipelines verhindert, die kalibrierte Zeitreihensignale statt Bilder3 benötigen. Das übergeordnete Ziel dieses Protokolls ist es, eine reproduzierbare und standardisierte Methode zur Umwandlung von Elektrokardiogrammbildern in kalibrierte digitale Signale bereitzustellen, die für nachgelagerte Computeranalysen geeignet sind.

Die automatisierte EKG-Digitalisierung zielt darauf ab, Spannungs-Zeit-Signale aus gescannten EKG-Bildern zu rekonstruieren4. Allerdings zeigen klinische EKG-Scans in der realen Welt oft heterogene Berichtslayouts, variable Gittersicht, Kompressionsartefakte, nicht gleichmäßige Beleuchtung und zusätzliche Markierungen wie Stempel oder Anmerkungen5. Diese Faktoren können die Lead-Lokalisierung und Wellenformverfolgung beeinträchtigen und die Reproduzierbarkeit zwischen Institutionen und Geräteherstellern einschränken. Daher sollte ein praktischer Digitalisierungsworkflow eine robuste Gitterkalibrierung, eine zuverlässige Bleitrennung und -kennzeichnung sowie einen standardisierten Export in ein weit verbreitetes Signalformat wie WFDB7 ermöglichen. Standardisierte digitale Formate verbessern die Interoperabilität zwischen Institutionen und erleichtern reproduzierbare Analysen mit etablierten Elektrokardiogramm-Signalverarbeitungsbibliotheken.

Mehrere EKG-Digitalisierungstools wurden vorgeschlagen (Tabelle 1), doch die klinische Implementierung bleibt eine Herausforderung, da die Leistung empfindlich gegenüber Scanqualität und Layoutvariabilitätsein kann 8,9,10. Neuere Studien haben zudem die automatische Lead-Extraktion aus EKG-Papieraufzeichnungen mittels Deep Learning untersucht, was die Notwendigkeit robuster Parsings unter verschiedenen Layouts und Artefakten weiter verdeutlicht11. Verwandte Digitalisierungssoftware wurde ebenfalls eingeführt, um die Robustheit unter heterogenen klinischen Bedingungen zu verbessern12. Parallel dazu wurden offene Toolkits und Ressourcen für die EKG-Bildforschung eingeführt, um die Entwicklung von Methoden und Benchmarkingzu erleichtern 13. Im Gegensatz zu bestehenden Digitalisierungstools, die empfindlich auf Layoutvariabilität reagieren oder auf bestimmte Scanformate beschränkt sein können, integriert dieses Protokoll Grid-Kalibrierung, automatisierte Leadlokalisierung und standardisierten WFDB-Export, um die Robustheit über heterogene klinische Berichte hinweg zu verbessern. In dieser Arbeit konzentrieren wir uns auf eine End-to-End-Pipeline, die reale EKG-PDFs und gescannte Datensätze anspricht, die Reproduzierbarkeit betont und WFDB-konforme Multi-Lead-Signale für die nachgelagerte Analyse liefert.

Wir schlagen ein vollständig automatisiertes und reproduzierbares Protokoll zur Umwandlung von 12-Kanal-EKG-Berichtsbildern in WFDB-konforme digitale Signale vor. Das Protokoll integriert (i) gitterbasierte Pixel-zu-Physik-Kalibrierung mit Standard-EKG-Einstellungen (25 mm·s-1, 10 mm·mV-1), (ii) YOLOv12-basierte Lokalisierung sowohl der Führungsregionen als auch der Lead-Icons zur Unterstützung einer robusten Lead-Identifikation in heterogenen Berichtslayouts und (iii) zwei alternative Wellenformextraktionsverfahren, darunter eine verbesserte Mittellinienmethode, die die Spurkontinuität unter variabler Liniendicke und kleinen Diskontinuitäten verbessert. Diese Komponenten stehen im Einklang mit früheren Arbeiten zur Signalextraktion, robuster Digitalisierungssoftware und praktischen Digitalisierungsstrategien unter heterogenen klinischen Bedingungen14. Die resultierenden WFDB-Datensätze ermöglichen eine nachgelagerte Analyse mit Standard-EKG-Toolsketten. Dieses Protokoll eignet sich besonders für die retrospektive Digitalisierung archivierter Elektrokardiogrammberichte, die als eingescanntes Papier oder gerasterte PDFs gespeichert sind, und kann angepasst werden müssen, wenn Gitterlinien fehlen oder stark verzerrt sind.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Holen Sie vor der retrospektiven Datenerhebung die Genehmigung des Ethikausschusses (institutionelles Überprüfungsgremium) vom Tam Duc Hospital ein (Protokoll-ID: 24751791). Entfernen Sie alle EKG-Berichte vor der Analyse durch Entfernen direkter Identifikatoren (z. B. Patientenname, Patientenaktennummer, Geburtsdatum und Besuchsdatum) und ersetzen Sie sie durch eine nicht identifizierende Studien-ID. Verwenden Sie nur deidentifizierte EKG-Daten für die Modellentwicklung und -bewertung.

1. Vorbereitung von Materialien, Software und Eingaben

  1. Klone das Projektrepository und verifiziere die Verzeichnisstruktur, einschließlich Baselines/, core_binary/, Daten/, Evaluation/, Ausgaben/, öffentlich/, Ergebnisse/, Gewicht/, Wrapper/, zusammen mit README.md und requirements.txt (siehe Datenverfügbarkeit).
    1. Erstelle (oder verifiziere) Laufzeit-Unterordner unter Daten/ und Ausgaben/, einschließlich Daten/raw_pdf/, Daten/raw_scans/, Ausgaben/Bilder/, Ausgaben/Vorprozessierten/, Ausgaben/kalibrierten/, Ausgaben/yolo_boxes/, Ausgaben/lead_crops/, Ausgaben/Masken/, Ausgaben/Spuren/, Ausgaben/signals_csv/ und Ausgaben/WFDB/.
  2. Installieren Sie erforderliche Softwareabhängigkeiten (Python, OpenCV, NumPy/SciPy, PyTorch, Ultralytics (YOLOv12 Trainings-/Inferenz-Framework), /YOLO und WFDB) und Dokumentversionen in der Materialliste (siehe Materialtabelle).
  3. Fügen Sie EKG-Eingaben in Data/raw_pdf/ (PDF-Berichte) oder Data/raw_scans/ (Papierscans) ein.
  4. Scannen Sie Papier-EKGs in Graustufen mit 300 dpi und halten Sie die Seite flach, um perspektivische Verzerrungen zu vermeiden (siehe Materialtabelle).
    HINWEIS: Verwenden Sie die auf dem EKG-Ausdruck angegebene Papiergeschwindigkeit und -verstärkung (z. B. 25 mm·s⁻1, 10 mm·mV⁻1), die mit der Kalibrierungsphase im Gesamtablauf übereinstimmen (siehe Abbildung 1).

2. EKG-PDFs in Bilder umwandeln

  1. Konvertiere jede EKG-PDF-Seite in ein Graustufenbild mit 300 dpi.
  2. Speichere jede Seite als .png (bevorzugt) oder .tiff mit minimaler Kompression, um Gitterlinien und Wellenformdetails zu erhalten.
  3. Speichern exportierte Bilder in Ausgaben/Bildern und halten Dateinamen über alle Pipeline-Stufen hinweg konsistent (siehe Abbildung 2 für ein repräsentatives Eingabelayout).

3. Vorverarbeitung von EKG-Bildern (Kontrast und Rauschen)

  1. Wenden Sie CLAHE an, um schwache Gitterlinien und Wellenformkontrast zu verstärken.
  2. Wenden Sie eine leichte Gaußsche Unschärfe an, um hochfrequente Störungen zu reduzieren und gleichzeitig die Wellenformkanten zu erhalten.
  3. Schneiden Sie große schwarze Ränder ab und erhalten Sie den gesamten EKG-Gehalt.
  4. Drehen Sie das Bild in eine aufrechte Ausrichtung, wenn der Scan/Export gedreht ist.
  5. Speichere vorverarbeitete Ausgaben in Ausgaben/vorbearbeiteten/.
  6. Untersuchen Sie visuell eine Teilmenge der Ausgaben und bestätigen Sie, dass Gitterlinien und Leiterbahnen lesbar bleiben (siehe Abbildung 2).
    VORSICHT: Vermeiden Sie aggressives Glätten, das dünne Wellenformsegmente zerstört.

4. Gitterabstände erkennen und Skalierung kalibrieren (Pixel → mm)

  1. Erkennen Sie Gitterabstände mit Hough-Linienerkennung für vertikale/horizontale Rasterlinien.
  2. Schätze den mittleren Abstand zwischen benachbarten Gitterlinien (Pixeln) und speichere den Wert des Rasterabstands.
  3. Wenn die Hough-Linienerkennung fehlschlägt, wird der Abstand mittels Fourier-Analyse von Zeilen-/Spaltenprojektionen geschätzt.
  4. Wenn die Fourier-Analyse bei punktierten Gittern fehlschlägt, schätzen Sie den Abstand mit Hough-Kreiserkennung (oder Punktperiodizität).
  5. Wenn alle Gitterdetektoren ausfallen, setzen Sie einen Rückfallabstandswert (z. B. 59 Pixel) und markieren Sie den Datensatz zur Überprüfung.
  6. Berechnen Sie die Pixel-zu-mm-Umwandlung mit dem erkannten Abstand und dem EKG-Papierstandard (z. B. 25 mm·s⁻1 und 10 mm·mV⁻1; siehe Abbildung 1).
  7. Skalieren Sie das Bild mit bikubischer Interpolation neu, um die Skalierung über Datensätze zu normalisieren.
  8. Speichere kalibrierte Bilder als Ausgaben/kalibrierten/ und speichern Kalibrierungsprotokolle pro Datensatz.
    HINWEIS: Siehe Ergänzende Datei 1 (Algorithmus 1) für implementierungsorientierten Pseudocode zur Gitterabstandserkennung und Pixel-zu-physischen Kalibrierung.

5. Lokalisieren von 12-Lead-Regionen mit YOLOv12

  1. Laden Sie das trainierte YOLOv12-Modell zur Erkennung von Lead-Regionen (siehe Tabelle 2 für Trainingsparameter).
    1. Verwenden Sie die Implementierung des YOLOv12-Trainings-/Inferenzrahmens ohne architektonische Änderungen, um die 12 Führungsregionen in jedem EKG-Bild für die nachgelagerte Digitalisierung zu erkennen und zu trennen (siehe Abbildung 1).
  2. Führen Sie Inferenzen auf jedes kalibrierte Bild mit der konfigurierten Inferenzgröße durch (z. B. imgsz = 1024).
  3. Wenden Sie Nicht-Maximal-Unterdrückung an und halten Sie pro Lead-Klasse die höchste Zuverlässigkeits-Begrenzungsbox ein.
  4. Exportiere Begrenzungsboxen in Outputs/yolo_boxes/ in einem reproduzierbaren Format (TXT/CSV/JSON).
  5. Speichere Overlay-Bilder mit vorhergesagten Lead-Region-Boxen und -Labels zur Verifizierung (siehe Abbildung 3 und Abbildung 4).
  6. Markiere Datensätze mit fehlenden Leads, duplizierten Leads oder inkonsistenterem Layout und schließe sie bei Bedarf vom automatischen Export aus.
    HINWEIS: Siehe Ergänzende Datei 1 (Algorithmus 2) für den Pseudocode der YOLOv12-basierten Lead-Region-Extraktion und der Nachbearbeitung der Box.

6. Lead-Icons mit YOLOv12 lokalisieren

  1. Laden Sie das trainierte YOLOv12-Modell zur Lead-Icon-Erkennung (siehe Tabelle 2 zu Trainingsparametern).
    1. Verwenden Sie dieselbe YOLOv12-Trainings-/Inferenz-Framework-Implementierung ohne architektonische Änderungen, um Lead-Icons für eine robuste Lead-Identifikation in heterogenen Layouts zu erkennen (siehe Abbildung 1).
  2. Führen Sie Inferenz auf jedes kalibrierte Bild unter Verwendung der im Haupttext angegebenen Inferenzgröße und Schwellenwerte durch.
  3. Wende Non-Maximal-Unterdrückung an und behalte die höchste Zuverlässigkeit pro Lead-Icon-Klasse.
  4. Exportiere Lead-Icon-Begrenzungsboxen in Ausgabe/yolo_boxes/ in einem reproduzierbaren Format (TXT/CSV/JSON).
  5. Speichere Überlagerungsbilder mit vorhergesagten Lead-Icon-Boxen und Klassenlabels zur Verifizierung (siehe Abbildung 5 und Abbildung 6).
  6. Bewertung der Erkennung von Lead-Icons und Berichterstattung quantitativer Ergebnisse und Metrikdefinitionen (siehe Tabelle 5 und Tabelle 6).
  7. Vergleichen Sie die Lead-Region-Erkennung und die Lead-Icon-Erkennung unter demselben Bewertungsprotokoll und derselben Laufzeit-Berichtskonvention.

7. Jede Bleiregion anbauen und die Kulturen standardisieren

  1. Schneiden Sie jede Führungsregion aus dem kalibrierten Bild mithilfe der vorhergesagten Begrenzungsbox-Koordinaten zu.
  2. Pad-Crops auf eine konstante Größe bringen, wenn die Lead-Regionen je nach Layout variieren.
  3. Speichere zugeschnittene Bilder in Ausgaben/lead_crops/ mit dem Namensschema: recordID_leadName.png.
  4. Bestätigen Sie, dass für jeden Datensatz vor der Wellenform-Extraktion alle 12 Anschlüsse vorhanden sind (siehe Tabelle 3 und Tabelle 4).

8. Erzeugen Sie für jede Bleipflanze eine binäre Signalmaske

  1. Normalisiere jede Intensität der Lead-Crop auf einen 8-Bit-Intensitätsbereich.
  2. Wenden Sie adaptive Schwellenwerte (oder Otsu-Schwellenwerte) an, um die Wellenformspur von Hintergrund- und Gitterlinien zu trennen.
  3. Morphologische Reinigung (z. B. Öffnen/Schließen) anwenden, um verbleibende Gitterartefakte zu unterdrücken.
  4. Überbrücken Sie kleine Lücken in der Spur mittels Interpolation oder konnektivitätsbasierter Füllung.
  5. Speichere die endgültige binäre Maske auf Ausgaben/Masken/ und verifiziere die Maskenqualität an repräsentativen Stichproben (siehe Abbildung 7).
    HINWEIS: Siehe Ergänzungsdatei 1 (Algorithmus 3) für Details zur Lead-Region-Maskengenerierung bei Verwendung von Begrenzungsbox-geführter Maskierung.

9. Extraktion von Wellenformspuren (wählen Sie entweder Viterbi-basierte Pfadextraktion oder verbesserte Mittellinienextraktion.

  1. Extraktion von Wellenformspuren mittels Viterbi-basierter Pfadextraktion
    1. Berechnen Sie eine Kostenabbildung auf der binären Maske, die Diskontinuitäten bestraft und spurähnliche Pixel bevorzugt.
    2. Führen Sie eine Viterbi-Dekodierung durch, um einen kontinuierlichkeitsbeschränkten Pfad über die Bleipflanze zu erhalten.
    3. Glätten Sie den extrahierten Pfad und interpolieren Sie bei Bedarf fehlende Segmente.
    4. Speichere Pfadkoordinaten zu Ausgaben/Spuren/ und speichere Überlagerungsdiagramme zur Validierung (siehe Abbildung 8).
      HINWEIS: Siehe Supplementary File 2 (Algorithmus 4) für Viterbi-basierte Wellenform-Extraktion und Visualisierungs-Pseudocode.
  2. Extraktion der Wellenformspur mittels verbesserter Mittellinienextraktion
    1. Skelettisieren Sie die binäre Maske, um einen Mittellinienkandidaten zu erhalten.
    2. Entfernen Sie unauffällige Äste und isolierte Bauteile, die durch Gitterrauschen verursacht werden.
    3. Glätte die Mittellinie und erzwinge die Kontinuität von links nach rechts.
    4. Interpolieren Sie kurze fehlende Segmente, um die Kontinuität der Wellenform zu erhalten.
    5. Optimieren Sie datensatzspezifische Parameter (z. B. Binarisierungsschwellen, morphologische Kernelgrößen, Schnittlänge, Glättungsfestigkeit und Gap-Interpolationsgrenzen), um die Mittellinienkontinuität unter den Bildgebungsbedingungen des Studiendatensatzes zu optimieren.
    6. Speichere Mittellinienkoordinaten zu Ausgaben/Spuren und speichere Überlagerungsdiagramme zur Validierung (siehe Abbildung 9).
      HINWEIS: Verwenden Sie ein standardisiertes skelettisierungsbasiertes Centerline-Prinzip und verbessern Sie die Robustheit durch datensatzspezifische Parameteroptimierung und Nachbearbeitung; siehe Supplementary File 2 (Algorithmus 5) für Mittellinienextraktion, Glättung/Interpolation, Parametereinstellungen und Speicherpseudocode.

10. Pixel-Spuren in kalibrierte Signale umwandeln (mV vs. Zeit)

  1. Pixel-y-Koordinaten werden in Spannung mit der kalibrierten Gitterskala (10 mm·mV⁻1) und der Pixel-zu-mm-Abbildung umgewandelt.
  2. Pixel-x-Koordinaten werden in Zeit mit der kalibrierten Gitterskala (25 mm·s⁻1) und der Pixel-zu-mm-Abbildung umgewandelt.
  3. Jede Leitung wird auf eine feste Abtastrate (z. B. 100 Hz) neu abgetastet und alle 12 Leitungen zeitlich ausgerichtet.
  4. Speichere die 12-Lead-Signale als CSV-Dateien in Outputs/signals_csv/ mit konsistenten Spaltennamen und Einheiten.

11. WFDB-Datensätze exportieren und Ausgaben validieren

  1. Konvertiere jede 12-Lead-CSV in einen WFDB-Datensatz mit der WFDB-Bibliothek.
  2. Schreiben Sie die .hea-Header-Datei mit Datensatznamen, Abtastrate, Signalgewinn, Baselines und Lead-Namen.
  3. Schreiben Sie die .dat-Signaldatei mit einem konsistenten numerischen Typ (z. B. 16-Bit) und einer Einheitskonvention (z. B. μV).
  4. Laden Sie jeden WFDB-Datensatz neu und zeichnen Sie alle 12 Leads auf, um die Lead-Reihenfolge, Benennung und Zeitausrichtung zu bestätigen (siehe Abbildung 10).
  5. Speichere die finalen WFDB-Ausgaben in Ausgaben/WFDB/ und speichere Validierungsdiagramme.
    HINWEIS: Siehe Supplementary File 3 (Algorithmus 7) für Details zur CSV-zu-WFDB-Konvertierung und optionales Annotationsschreiben, wenn Metadaten verfügbar sind.

12. Kontrollpunkte und Fehlerbehebung

  1. Lehne oder markiere jeden Datensatz mit unzuverlässiger Gitterkalibrierung, fehlenden Leads oder schweren Verschlussen.
  2. Führen Sie die Vorverarbeitung und Kalibrierung mit angepassten Parametern für markierte Datensätze erneut durch.
  3. Wiederholen Sie die Erkennung mit aktualisierten Vertrauens-/IoU-Schwellenwerten, wenn Leads übersehen werden.
  4. Fassen Sie Fehlerarten und Ausschlusskriterien in einer Ergebnistabelle zusammen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Eingabevorbereitung
EKG-Berichte wurden erfolgreich von PDFs oder Scans in standardisierte, achsausgerichtete Bilder umgewandelt, die für die Nachbearbeitung geeignet sind. Für Papier-EKGs wurden Scans mit 300 dpi in Graustufen aufgenommen und als PNG/TIFF gespeichert, um Kompressionsartefakte zu reduzieren. Die häufigsten Eingabeprobleme waren (i) übermäßige Kompression bei PDF-Exporten, (ii) partielle Beschnittung, die Führungsbereiche oder Beschriftungen entfernte,...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie präsentiert eine automatisierte End-to-End-Pipeline, die 12-Leiter-EKG-Bilder von PDFs oder gescannten Papieraufzeichnungen durch Gitterkalibrierung, YOLOv12-basierte Bleilokalisierung und Wellenformextraktion mittels Viterbi-Pfadsuche oder einer verbesserten Centerline-Methode1 in WFDB-konforme digitale Signale umwandelt. Das Protokoll beinhaltet Validierungsprüfpunkte (Begrenzungsbox-Overlays, Trace-Overlays und WFDB-Reload-Plots), um die Qualitätss...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben keine konkurrierenden finanziellen Interessen oder persönlichen Beziehungen, die die in diesem Artikel berichtete Arbeit hätten beeinflussen können.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren danken dem Tam Duc Hospital für die Bereitstellung deidentifizierter EKG-Berichte und für die institutionelle Unterstützung während der Datenerhebung.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
GPU (Laufzeittests)NVIDIAGeForce RTX 3060 12 GBNVIDIA GeForce RTX 3060 12 GB, verwendet für Laufzeittests
NumPyNumPy1.26.4Numerische Verarbeitung
OpenCVOpenCV4.10.0.84Bildvorverarbeitung (Deskew, Filterung)
Betriebssystem (Laufzeittests)MicrosoftWindows 11Windows 11 für Laufzeittests verwendet
PDF-zu-Bild-KonverterDieses ProtokollV1PDF-Rasterisierung bei 300 DPI; Bereitstellung der Repository-URL in Data Availability
PythonPython Software Foundation3.12.5Laufzeitumgebung
PyTorchPyTorch0.5.0Backend für YOLOv12
ScannerKanonDR-C240300 DPI, Graustufen, PNG/TIFF empfohlen
scikit-imagescikit-image0.25.0Skelettisierung und Morphologie (Mittellinie)
UltralytikaUltralytika8.3.155YOLOv12 Trainings-/Inferenzrahmen
wfdb (Python-Paket)PhysioNet4.1.2WFDB-Export (.hea/.dat)

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Muhammet, A., Fani, D., Christos, A., Idris, Z., Gruschen, R. V. Digitization and Linkage of PDF Formatted 12-Lead Electrocardiograms in Adult Congenital Heart Disease. CJC Pediatric and Congenit Heart Dis. 4 (5), 263-273 (2025).
  2. Baydoun, M., et al. High precision digitization of paper-based ECG records: A step toward smart machine learning. IEEE J Transl Eng Health Med. 7, 1-8 (2019).
  3. Demolder, A., et al. High precision ECG digitization using artificial intelligence. Biomed Signal Process Control. 72, 103331(2024).
  4. Prim, J., et al. A data pipeline for extraction and processing of electrocardiogram recordings. Comput Cardiol. 48, 1-4 (2021).
  5. Rautela, D., Bajeli, D., Kumar, M., Vaidya, A. Identifying cardiovascular disorders through ECG image analysis. Knowl-Based Syst. 186, 104925(2020).
  6. Reyna, M. A., et al. ECG-Image-Database: A dataset of ECG images with real-world imaging and patient annotations. arXiv. , (2024).
  7. Ribeiro, H., et al. Automatic 12-lead ECG classification using a convolutional network ensemble. Comput Cardiol. 47, 1-4 (2020).
  8. Jessy, K. S. J., Manikandan, D. G., Hemalatha, M. S., Veroncia, M. V. Detection of cardiovascular disease using ECG images in machine learning and deep learning. Int J Sci Res Sci Technol. 11, 131-139 (2024).
  9. Digitization of ECG records using signal extraction techniques. Karnaschandani, H., et al. 2024 Second International Conference on Data Science and Information System (ICDSIS), Hassan, India, , 1-8 (2024).
  10. Nguyen, C. V., Nguyen, H. N., Nguyen, D. A., Do, C. D. VinDigitizer: An image processing approach to digitize paper ECG records. Comput Cardiol. 51, 1-4 (2024).
  11. Patil, R., Narkhede, R. D., Vama, B., Suraliya, S., Raut, S. R. Auto lead extraction in ECG images: Identification of ECG paper records using deep learning. Biomed Signal Process Control. 72, 103339(2024).
  12. Santamaría, F., et al. ECGMiner: A flexible software for accurately digitizing ECG. Comput Methods Programs Biomed. 246, 108053(2024).
  13. Shivashankara, K. K., et al. An open ECG-image toolkit: ECG-ImageNet – an open image generation toolbox to facilitate deep learning-based electrocardiogram digitization. Biomed Signal Process. Control. 72, 103342(2024).
  14. Wang, L. H., et al. Paper-recorded ECG digitization method with automatic reference voltage selection for telemonitoring and diagnosis. Diagnostics. 14 (17), 1910(1910).
  15. Wang, T., Zhang, Y., Liu, X., Huang, Z., Qin, F. Automatic Detection of Arrhythmias Using a YOLO-Based Network with Long-Duration ECG Signals. Eng Proc. 2 (1), 84(2020).
  16. Wu, H., et al. A fully automated paper ECG digitisation algorithm using deep learning. Sci Rep. 12, 25284(2022).
  17. Júnior, O., et al. An automated machine learning method to efficiently classify the 12-lead ECG signal acquisition quality. Computing in Cardiology. 50, 1-6 (2023).
  18. Lence, A., et al. ECGtizer: A fully automated digitizing and signal recovery pipeline for electrocardiograms. arXiv. , (2024).
  19. Büyüksolak, O., Öksüz, İ Pic2Diagnosis: A Method for Diagnosis of Cardiovascular Diseases from the Printed ECG Pictures. Proc. IEEE EMBC. , (2025).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

12 Kanal EKGWellenformextraktionSignalvorverarbeitungObjekterkennungsmodellGittererkennungSignalnormalisierungQualit tskontrolle
Video demnächst verfügbar

Verwandte Artikel