Numérisation automatisée des électrocardiogrammes à 12 dérivations (ECG) et WaveForm DataBase (WFDB) : Perspectives issues des données cliniques vietnamiennes

Résumé

Ici, nous présentons un protocole reproductible pour convertir des images ECG à 12 dérivations issues de rapports cliniques réels en signaux numériques calibrés conformes à WFDB pour une analyse en aval standardisée, intégrant l’étalonnage de la grille, la localisation des leads basée sur YOLOv12, l’extraction de formes d’onde (Viterbi ou ligne médiane améliorée) et des points de contrôle de validation visuelle.

Résumé

De nombreuses cliniques archivent encore les électrocardiogrammes à 12 dérivations (ECG) sous forme de documents papier imprimés ou d’images matricielles intégrées dans des rapports PDF, ce qui limite l’interopérabilité et l’analyse informatique en aval. Ici, nous présentons un protocole de numérisation reproductible qui convertit les images des rapports ECG en signaux numériques conformes à la base de données WaveForm (WFDB) pour une utilisation standardisée en aval. Le protocole comprend (i) la détection de grille et l’étalonnage pixel à physique, (ii) la localisation automatisée et l’étiquetage des 12 régions de fils à l’aide d’un modèle de détection d’objets, (iii) le prétraitement et la normalisation du signal, et (iv) l’extraction de formes d’onde en utilisant soit une méthode de chemin contrainte de continuité (Viterbi), soit une approche améliorée basée sur la ligne centrale. Le flux de travail est conçu pour gérer des agencements cliniques hétérogènes, une visibilité variable sur la grille et des artefacts d’imagerie courants, et inclut des points de contrôle visuels pour le contrôle qualité à chaque étape. Le protocole produit des enregistrements WFDB 12 dérives alignés dans le temps, adaptés à l’analyse reproductible dans le traitement du signal et les pipelines d’apprentissage automatique.

Introduction

L’électrocardiogramme à 12 dérivations (ECG) est une pierre angulaire de l’évaluation cardiovasculaire et reste largement utilisé pour le dépistage, le suivi et la prise de décision^{clinique 1}. Malgré les efforts de numérisation en cours, de nombreuses institutions conservent encore les ECG sous forme de documents imprimés papier ou d’images rasterisées intégrées dans des rapports PDF, ce qui réduit la recherche et complique le suivi^{longitudinal 2}. Il est important de noter que le stockage basé sur des images empêche l’utilisation directe de kits à outils ECG standardisés et de pipelines d’apprentissage automatique qui nécessitent des signaux en série temporelle calibrés plutôt que des images³. L’objectif global de ce protocole est de fournir une méthode reproductible et standardisée pour convertir les images électrocardiogrammes en signaux numériques calibrés adaptés à une analyse computationnelle en arrière-plan.

La numérisation ECG automatisée vise à reconstruire les signaux tension-temps à partir d’images ECG^{balayées 4}. Cependant, les ECG cliniques du monde réel présentent souvent des agencements hétérogènes, une visibilité variable de la grille, des artefacts de compression, une illumination non uniforme et des marquages supplémentaires tels que des tampons ou des annotations⁵. Ces facteurs peuvent dégrader la localisation des leads et le traçage des formes d’onde, limitant la reproductibilité entre institutions et fournisseurs^{d’appareils 6}. Par conséquent, un flux de travail de numérisation pratique devrait fournir une calibration robuste des grilles, une séparation et un étiquetage fiables des plombs, ainsi qu’une exportation standardisée vers un format de signal largement adopté comme WFDB⁷. Les formats numériques standardisés améliorent l’interopérabilité entre les institutions et facilitent l’analyse reproductible à l’aide de bibliothèques établies de traitement du signal électrocardiogramme.

Plusieurs outils de numérisation ECG ont été proposés (Tableau 1), mais le déploiement clinique reste difficile car la performance peut être sensible à la qualité de l’échographie et à la variabilité de la disposition ^8,9,10. Des études récentes ont également exploré l’extraction automatique de plombs à partir des enregistrements papier ECG grâce à l’apprentissage profond, soulignant davantage la nécessité d’un syntase robuste sous des mises en page et artefacts^{variés 11}. Des logiciels de numérisation associés ont également été introduits pour améliorer la robustesse dans des conditions cliniques hétérogènes¹². Parallèlement, des kits à outils ouverts et des ressources pour la recherche sur l’image ECG ont été introduits pour faciliter le développement de méthodes et l’étalonnage¹³. Contrairement aux outils de numérisation existants, qui peuvent être sensibles à la variabilité de la disposition ou limités à des formats de balayage spécifiques, ce protocole intègre l’étalonnage de la grille, la localisation automatisée des pistes et l’exportation standardisée WFDB pour améliorer la robustesse à travers des rapports cliniques hétérogènes. Dans ce travail, nous nous concentrons sur un pipeline de bout en bout qui cible les PDFs ECG et les enregistrements scannés réels, met l’accent sur la reproductibilité et produit des signaux multi-fils conformes à la WFDB pour une analyse en aval.

Nous proposons un protocole entièrement automatisé et reproductible pour convertir les images de rapports ECG à 12 dérivations en signaux numériques conformes à la WFDB. Le protocole intègre (i) un étalonnage pixel-physique basé sur une grille utilisant des réglages ECG standards (25 mm·^s-1, 10 mm·^mV-1), (ii) une localisation YOLOv12 des régions et icônes de dérivation pour soutenir une identification robuste des leads dans des agencements de rapports hétérogènes, et (iii) deux procédures alternatives d’extraction de formes d’onde, incluant une méthode améliorée de ligne centrale conçue pour améliorer la continuité des traces sous une épaisseur de ligne variable et de petites discontinuités. Ces composantes sont alignées avec des travaux antérieurs sur l’extraction du signal, les logiciels de numérisation robustes et les stratégies de numérisation pratiques dans des conditions cliniques^{hétérogènes 14}. Les enregistrements WFDB résultants permettent une analyse en aval à l’aide de chaînes d’outils ECG standard. Ce protocole est particulièrement adapté à la numérisation rétrospective des rapports électrocardiogrammes archivés stockés sous forme de documents papier scannés ou de PDF rastérisés, et peut nécessiter une adaptation lorsque les lignes de grille sont absentes ou fortement déformées.

Protocole

Obtenez l’approbation du Comité d’éthique (Conseil d’éthique institutionnelle) de l’hôpital Tam Duc (ID de protocole : 24751791) avant la collecte rétroactive des données. Désidentifiez tous les rapports ECG avant analyse en supprimant les identifiants directs (par exemple, le nom du patient, le numéro de dossier médical, la date de naissance et la date de visite) et en les remplaçant par un identifiant non identifiant l’étude d’étude. Utilisez uniquement les données ECG désidentifiées pour le développement et l’évaluation du modèle.

1. Préparer les matériaux, logiciels et entrées

1. Clonez le dépôt du projet et vérifiez la structure des répertoires, y compris les lignes de référence/, core_binary/, données/, évaluation/, sorties/, public/, résultats/, poids/, et enveloppeur/, ainsi que README.md et requirements.txt (voir Disponibilité des données).
   1. Créer (ou vérifier) des sous-dossiers à l’exécution sous data/ et outputs/, incluant data/raw_pdf/, data/raw_scans/, outputs/images/, outputs/prétraité/, outputs/calibrated/, outputs/yolo_boxes/, outputs/lead_crops/, outputs/masques/, outputs/traces/, outputs/signals_csv/, et outputs/wfdb/.
2. Installez les dépendances logicielles requises (Python, OpenCV, NumPy/SciPy, PyTorch, Ultralytics (le cadre d’entraînement/inférence YOLOv12) /YOLO, et WFDB) et les versions des documents dans la liste des matériaux (voir Tableau des matériaux).
3. Placez les entrées ECG dans les données/raw_pdf/ (rapports PDF) ou les données/raw_scans/ (numérisations papier).
4. Scannez des ECG papier en niveaux de gris à 300 dpi et gardez la page plate pour éviter toute distorsion de perspective (voir Tableau des matériaux).
   REMARQUE : Utilisez la vitesse et le gain du papier rapportés sur l’impression ECG lorsque disponible (par exemple, 25 mm·s⁻¹, 10 mm·mV⁻¹), cohérents avec l’étape d’étalonnage dans l’ensemble du flux de travail ( voir Figure 1).

2. Convertir les PDF ECG en images

1. Convertir chaque page PDF ECG en image en niveaux de gris à 300 dpi.
2. Enregistrez chaque page comme .png (préférable) ou .tiff en utilisant une compression minimale pour préserver les lignes de grille et les détails de la forme d’onde.
3. Stockez les images exportées dans les sorties/images/ et gardez les noms de fichiers cohérents à toutes les étapes du pipeline (voir la Figure 2 pour une disposition représentative des entrées).

3. Pré-traitement des images ECG (contraste et bruit)

1. Appliquez CLAHE pour accentuer les lignes de grille faibles et le contraste des formes d’onde.
2. Appliquez un léger flou gaussen pour réduire le bruit de haute fréquence tout en préservant les bords de la forme d’onde.
3. Recadrez de larges marges noires tout en préservant toute la zone de contenu ECG.
4. Faites pivoter l’image vers une position verticale si le scan/export est tourné.
5. Sauvegardez les sorties prétraitées sur des sorties/prétraitées/.
6. Inspectez visuellement un sous-ensemble de sorties et confirmez que les lignes de grille et les pistes restent lisibles (voir Figure 2).
   ATTENTION : Évitez un lissage agressif qui casse les segments d’onde fins.

4. Détection de l’espacement de la grille et calibration de l’échelle (pixel → mm)

1. Détectez l’espacement de la grille en utilisant la détection des lignes de Hough pour les lignes verticales/horizontales.
2. Estimez la distance moyenne entre les lignes de grille adjacentes (pixels) et stockez la valeur d’espacement de la grille.
3. Si la détection de raies de Hough échoue, estimez l’espacement à l’aide de l’analyse de Fourier des projections ligne/colonne.
4. Si l’analyse de Fourier échoue pour les grilles pointillées, estimez l’espacement en utilisant la détection du cercle de Hough (ou la périodicité des points).
5. Si tous les détecteurs de grille tombent en panne, fixez une valeur d’espacement de secours (par exemple, 59 pixels) et signalez l’enregistrement pour vérification.
6. Calculez la conversion pixel-en mm en utilisant l’espacement détecté et la norme papier ECG (par exemple, 25 mm·s⁻¹ et 10 mm·mV⁻¹ ; voir Figure 1).
7. Redimensionnez l’image en utilisant l’interpolation bibique pour normaliser l’échelle entre les enregistrements.
8. Sauvegardez les images calibrées en sortie/calibrées/et stockez les journaux d’étalonnage par enregistrement.
   REMARQUE : Consultez le Fichier Supplémentaire 1 (Algorithme 1) pour un pseudocode orienté implémentation de la détection de l’espacement de la grille et de l’étalonnage pixel à physique.

5. Localiser les régions 12-lead en utilisant YOLOv12

1. Chargez le modèle YOLOv12 entraîné pour la détection de la région de plomb (voir le tableau 2 pour les paramètres d’entraînement).
   1. Utilisez l’implémentation du cadre d’entraînement/inférence YOLOv12 sans modifications architecturales pour détecter et séparer les 12 régions dérivées dans chaque image ECG pour une numérisation en aval (voir Figure 1).
2. Effectuez l’inférence sur chaque image calibrée en utilisant la taille d’inférence configurée (par exemple, imgsz = 1024).
3. Appliquez une suppression non maximale et gardez la boîte englobante la plus confiante par classe de lead.
4. Exportez les boîtes englobantes vers les sorties/yolo_boxes/ dans un format reproductible (TXT/CSV/JSON).
5. Sauvegardez les images superposées montrant les boîtes et les étiquettes de la région de plomb prédites pour vérification ( voir Figure 3 et Figure 4).
6. Signalez les enregistrements avec des prospects manquants, des leads dupliqués ou une disposition incohérente et excluez-les de l’exportation automatique si nécessaire.
   REMARQUE : Consultez le fichier supplémentaire 1 (Algorithme 2) pour le pseudocode de l’extraction de régions de leads basée sur YOLOv12 et le post-traitement de boîtes.

6. Localiser les icônes de lead à l’aide de YOLOv12

1. Chargez le modèle entraîné YOLOv12 pour la détection des icônes d’avance (voir le tableau 2 pour les paramètres d’entraînement).
   1. Utilisez la même implémentation du cadre d’entraînement/inférence YOLOv12 sans modifications architecturales pour détecter les icônes de plomb afin d’une identification robuste des pistes dans des dispositions hétérogènes (voir Figure 1).
2. Effectuez une inférence sur chaque image calibrée en utilisant la taille d’inférence configurée et les seuils indiqués dans le texte principal.
3. Appliquez une suppression non maximale et gardez la boîte englobante la plus confiante par classe d’icône de tête.
4. Exportez les boîtes englobantes des icônes d’introduction vers les sorties/yolo_boxes/ dans un format reproductible (TXT/CSV/JSON).
5. Sauvegardez les images superposées montrant les encadres d’icônes d’introduction prédites et les labels de classe pour vérification ( voir Figure 5 et Figure 6).
6. Évaluer la performance de détection des icônes de plomb et rapporter les résultats quantitatifs ainsi que les définitions des métriques (voir Tableau 5 et Tableau 6).
7. Comparez la détection de la région du plomb et la détection des icônes d’avance sous le même protocole d’évaluation et la même convention de rapport à l’exécution.

7. Cultiver chaque région de plomb et standardiser les cultures

1. Recadrez chaque région de plomb à partir de l’image calibrée en utilisant les coordonnées de la boîte englobante prédites.
2. Les cultures en pâte à une taille constante lorsque les régions de plomb varient selon les agencements.
3. Sauvegardez les images recadrées sur les sorties/lead_crops/ en utilisant le schéma de nommage : recordID_leadName.png.
4. Confirmez que les 12 câbles sont présents pour chaque enregistrement avant l’extraction de la forme d’onde ( voir Tableau 3 et Tableau 4).

8. Générer un masque de signal binaire pour chaque recoupe en plomb

1. Normaliser l’intensité de chaque culture avant à une plage d’intensité de 8 bits.
2. Appliquez un seuil adaptatif (ou seuil Otsu) pour séparer la trace de forme d’onde de l’arrière-plan/grille.
3. Appliquez un nettoyage morphologique (par exemple, ouverture/fermeture) pour supprimer les artefacts résiduels de la grille.
4. Combler de petits espaces dans la piste par interpolation ou un remplissage basé sur la connectivité.
5. Sauvegardez le masque binaire final sur les sorties/masques/ et vérifiez la qualité du masque sur des échantillons représentatifs (voir Figure 7).
   REMARQUE : Consultez le Fichier Supplémentaire 1 (Algorithme 3) pour les détails de génération de masques en région avancée lors de l’utilisation du masquage guidé par boîtes englobantes.

9. Extraire les traces de forme d’onde (choisir soit l’extraction de chemin basée sur Viterbi, soit l’extraction par ligne centrale améliorée).

1. Extraction de traces de forme d’onde en utilisant l’extraction de chemins basée sur Viterbi
   1. Calculez une carte de coût sur le masque binaire qui pénalise les discontinuités et favorise les pixels de type trace.
   2. Effectuez le décodage de Viterbi pour obtenir un chemin contraint de continuité à travers la culture principale.
   3. Lisser le chemin extrait et interpoler les segments manquants lorsque nécessaire.
   4. Enregistrez les coordonnées de chemin en sorties/traces/et sauvegardez les graphiques superposés pour validation (voir Figure 8).
      REMARQUE : Consultez le Fichier Supplémentaire 2 (Algorithme 4) pour l’extraction et le pseudocode de visualisation de formes d’onde basés sur Viterbi.
2. Extraction de la trace de forme d’onde grâce à une extraction améliorée de la ligne centrale
   1. Squelettiser le masque binaire pour obtenir un candidat à la ligne centrale.
   2. Supprimez les branches parasites et les composants isolés causés par le bruit de la grille.
   3. Lisser la ligne centrale et faire respecter la continuité gauche-droite.
   4. Interpolez les segments courts manquants pour préserver la continuité de la forme d’onde.
   5. Ajustez les paramètres spécifiques à chaque jeu de données (par exemple, seuils de binarisation, tailles morphologiques des grains, longueur d’élagage, force de lissage et limites d’interpolation des écarts) afin d’optimiser la continuité de la ligne centrale dans les conditions d’imagerie du jeu de données étudié.
   6. Enregistrez les coordonnées de ligne centrale en sorties/traces/et sauvegardez les graphiques superposés pour validation (voir Figure 9).
      REMARQUE : Utiliser un principe standard basé sur la ligne centrale basée sur la squelettisation et améliorer la robustesse grâce à l’ajustement des paramètres spécifiques à chaque jeu de données et au post-traitement ; voir le Fichier Supplémentaire 2 (Algorithme 5) pour l’extraction de la ligne centrale, le lissage/interpolation, les paramètres et le pseudocode de stockage.

10. Convertir les traces de pixels en signaux étalonnés (mV vs temps)

1. Convertir les coordonnées y des pixels en tension à l’aide de l’échelle de grille calibrée (10 mm·mV⁻¹) et du cartographie pixel-mm.
2. Convertir les coordonnées pixel x en temps à l’aide de l’échelle de grille calibrée (25 mm·s⁻¹) et de la cartographie pixel-à-mm.
3. Rééchantillonner chaque dérivation à un taux d’échantillonnage fixe (par exemple, 100 Hz) et aligner les 12 dérivations dans le temps.
4. Sauvegardez les signaux 12 leads sous forme de fichiers CSV dans les sorties/signals_csv/ avec des noms et unités de colonnes cohérents.

11. Exporter les enregistrements WFDB et valider les sorties

1. Convertir chaque CSV 12 leads en un enregistrement WFDB à l’aide de la bibliothèque WFDB.
2. Écrivez le fichier d’en-tête .hea contenant le nom de l’enregistrement, la fréquence d’échantillonnage, les gains de signal, les lignes de référence et les noms des leads.
3. Écrivez le fichier de .dat signal en utilisant un type numérique cohérent (par exemple, 16 bits) et une convention d’unités (par exemple, μV).
4. Rechargez chaque enregistrement WFDB et tracez les 12 pistes pour confirmer l’ordre des leads, la dénomination et l’alignement temporel (voir Figure 10).
5. Sauvegardez les sorties WFDB finales dans les sorties/wfdb/ et sauvegardez les graphiques de validation.
   REMARQUE : Consultez le Fichier Supplémentaire 3 (Algorithme 7) pour les détails de conversion CSV-WFDB et l’écriture optionnelle d’annotation lorsque des métadonnées sont disponibles.

12. Points de contrôle et dépannage

1. Rejetez ou signalez tout enregistrement présentant une calibration de grille peu fiable, des fils manquants ou des occlusions sévères.
2. Relancer le prétraitement et l’étalonnage avec des paramètres ajustés pour les enregistrements signalés.
3. Relancer la détection avec des seuils de confiance/IoU mis à jour lorsque des prospects sont manqués.
4. Résumez les modes de défaillance et les critères d’exclusion dans un tableau des résultats.

Résultats

Préparation des entrées
Les rapports ECG ont été convertis avec succès de PDF ou de scans en images standardisées, alignées sur les axes, adaptées au traitement en aval. Pour les ECG papier, les scans étaient obtenus à 300 dpi en niveaux de gris et enregistrés en PNG/TIFF pour réduire les artefacts de compression. Les problèmes d’entrée les plus courants étaient (i) une compression excessive due aux exportations PDF, (ii) un recadrage partiel qui supprimait les région...

Discussion

Cette étude présente un pipeline automatisé de bout en bout qui convertit des images ECG 12 dérivations issues de PDF ou de notices papier numérisées en signaux numériques conformes à la WFDB grâce à la calibration de la grille, à la localisation des leads basée sur YOLOv12, et à l’extraction de formes d’onde à l’aide de la recherche de chemin Viterbi ou d’une méthode améliorée de ligne centrale¹. Le protocole inclut des points de contrôle de validation (superposi...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
GPU (tests à l’exécution)	NVIDIA	GeForce RTX 3060 12 Go	NVIDIA GeForce RTX 3060 12 Go utilisé pour les tests d’exécution
NumPy	NumPy	1.26.4	Traitement numérique
OpenCV	OpenCV	4.10.0.84	Prétraitement d’image (deskew, filtrage)
Système d’exploitation (tests à l’exécution)	Microsoft	Windows 11	Windows 11 utilisé pour les tests d’exécution
Convertisseur PDF-image	Ce protocole	V1	Rastérisation PDF à 300 DPI ; fournir l’URL du dépôt dans Disponibilité des données
Python	Fondation Python Software	3.12.5	Environnement d’exécution
PyTorch	PyTorch	0.5.0	Backend pour YOLOv12
Scanner	Canon	DR-C240	300 DPI, niveaux de gris, PNG/TIFF recommandés
scikit-image	scikit-image	0.25.0	Squelettisation et morphologie (ligne centrale)
Ultralytiques	Ultralytiques	8.3.155	Cadre d’entraînement/inférence YOLOv12
wfdb (paquet Python)	PhysioNet	4.1.2	Exportation WFDB (.hea/.dat)