Digitalizzazione automatica degli elettrocardiogrammi a 12 derivazioni (ECG) e Standardizzazione del WaveForm DataBase (WFDB): Approfondimenti dai dati clinici vietnamiti

Sommario

Qui presentiamo un protocollo riproducibile per convertire immagini ECG a 12 derivazioni da rapporti clinici reali in segnali digitali calibrati e conformi a WFDB per un'analisi a valle standardizzata, integrando la calibrazione della griglia, la localizzazione delle lead basata su YOLOv12, l'estrazione della forma d'onda (Viterbi o linea centrale migliorata) e i checkpoint di validazione visiva.

Abstract

Molte cliniche archiviano ancora gli elettrocardiogrammi a 12 derivazioni (ECG) come registrazioni cartacea stampate o immagini raster incorporate in rapporti PDF, limitando l'interoperabilità e l'analisi computazionale a valle. Qui presentiamo un protocollo di digitalizzazione riproducibile che converte immagini di rapporto ECG in segnali digitali conformi al WaveForm DataBase (WFDB) per un uso standardizzato a valle. Il protocollo consiste in (i) rilevamento della griglia e calibrazione tra pixel e fisico, (ii) localizzazione e etichettatura automatizzate delle 12 regioni di conduzione tramite un modello di rilevamento oggetti, (iii) preprocessing e normalizzazione del segnale, e (iv) estrazione della forma d'onda tramite metodo di percorso a vincoli di continuità (Viterbi) o un approccio migliorato basato sulla linea centrale. Il flusso di lavoro è progettato per gestire layout clinici eterogenei, visibilità variabile della griglia e artefatti di imaging comuni, e include checkpoint visivi per il controllo qualità in ogni fase. Il protocollo genera record WFDB a 12 derivazioni allineati nel tempo, adatti per l'analisi riproducibile in pipeline di elaborazione del segnale e apprendimento automatico.

Introduzione

L'elettrocardiogramma a 12 derivazioni (ECG) è una pietra miliare della valutazione cardiovascolare e rimane ampiamente utilizzato per lo screening, il monitoraggio e il processo decisionale^clinico. Nonostante gli sforzi di digitalizzazione in corso, molte istituzioni conservano ancora gli ECG come registri cartacei stampati o immagini rasterizzate incorporate nei report PDF, riducendo la ricercabilità e complicando il follow-up^{longitudinale 2}. È importante sottolineare che lo storage basato su immagini impedisce l'uso diretto di toolkit ECG standardizzati e pipeline di machine learning che richiedono segnali calibrati a serie temporale invece di immagini³. L'obiettivo generale di questo protocollo è fornire un metodo riproducibile e standardizzato per convertire immagini elettrocardiografiche in segnali digitali calibrati adatti all'analisi computazionale a valle.

La digitalizzazione ECG automatizzata mira a ricostruire i segnali voltaggio-tempo da immagini ECG^{scansionate 4}. Tuttavia, le scansioni ECG cliniche reali spesso presentano layout eterogenei dei rapporti, visibilità variabile della griglia, artefatti di compressione, illuminazione non uniforme e marcature aggiuntive come timbri o^{annotazioni 5}. Questi fattori possono degradare la localizzazione dei lead e il tracciamento delle forme d'onda, limitando la riproducibilità tra istituzioni e fornitori^{di dispositivi 6}. Pertanto, un flusso di lavoro pratico di digitalizzazione dovrebbe fornire una calibrazione robusta della griglia, separazione e etichettatura affidabili dei pioti, ed esportazione standardizzata in un formato di segnale ampiamente adottato come WFDB⁷. I formati digitali standardizzati migliorano l'interoperabilità tra istituzioni e facilitano l'analisi riproducibile utilizzando librerie consolidate di elaborazione del segnale elettrocardiografico.

Sono stati proposti diversi strumenti di digitalizzazione ECG (Tabella 1), tuttavia l'implementazione clinica rimane impegnativa perché le prestazioni possono essere sensibili alla qualità della scansione e alla variabilità^{del layout 8,9,10}. Studi recenti hanno anche esplorato l'estrazione automatica di lead dai registri cartacei ECG tramite deep learning, evidenziando ulteriormente la necessità di un parsing robusto sotto layout e artefatti^{diversificati 11}. Sono stati introdotti anche software di digitalizzazione correlati per migliorare la robustezza in condizioni cliniche^{eterogenee 12}. Parallelamente, sono stati introdotti toolkit aperti e risorse per la ricerca sull'immagine ECG per facilitare lo sviluppo e il benchmarking dei metodi¹³. A differenza degli strumenti di digitalizzazione esistenti, che possono essere sensibili alla variabilità del layout o limitati a formati di scansione specifici, questo protocollo integra la calibrazione della griglia, la localizzazione automatica dei lead e l'esportazione WFDB standardizzata per migliorare la robustezza tra rapporti clinici eterogenei. In questo lavoro, ci concentriamo su una pipeline end-to-end che mira a PDF ECG reali e record scansionati, enfatizza la riproducibilità e produce segnali multi-lead conformi a WFDB per l'analisi a valle.

Proponiamo un protocollo completamente automatizzato e riproducibile per convertire immagini del rapporto ECG a 12 derivazioni in segnali digitali conformi a WFDB. Il protocollo integra (i) la calibrazione pixel-to-fisico basata su griglia utilizzando impostazioni standard ECG (25 mm·^s-1, 10 mm·^mV-1), (ii) la localizzazione basata su YOLOv12 sia delle regioni dei fili che delle icone delle piste per supportare un'identificazione robusta delle piste in layout eterogenei dei rapporti, e (iii) due procedure alternative di estrazione della forma d'onda, inclusa una soluzione migliorata della linea centrale progettata per migliorare la continuità delle tracce sotto spessore variabile e piccole discontinuità. Questi componenti sono allineati con lavori precedenti sull'estrazione del segnale, software di digitalizzazione robusti e strategie pratiche di digitalizzazione in condizioni cliniche^{eterogenee 14}. I record WFDB risultanti consentono l'analisi a valle utilizzando le catene di strumenti ECG standard. Questo protocollo è particolarmente adatto per la digitalizzazione retrospettiva di rapporti elettrocardiografici archiviati archiviati come registrazioni cartacee scansionate o PDF rasterizzati e può richiedere adattamento quando le linee della griglia sono assenti o gravemente distorte.

Protocollo

Ottenere l'approvazione del Comitato Etico (Commissione di Revisione Istituzionale) dall'Ospedale Tam Duc (ID protocollo: 24751791) prima della raccolta retrospettiva dei dati. De-identifica tutti i referti ECG prima dell'analisi rimuovendo gli identificatori diretti (ad esempio, nome del paziente, numero della cartella clinica, data di nascita e data di visita) e sostituendoli con un ID di studio non identificativo. Utilizzare solo dati ECG de-identificati per lo sviluppo e la valutazione del modello.

1. Preparare materiali, software e input

1. Clona il repository del progetto e verifica la struttura delle directory, inclusi baselines/, core_binary/, data/, evaluation/, outputs/, public/, results/, weight/, e wrapper/, insieme a README.md e requirements.txt (vedi Data Availability).
   1. Crea (o verifica) sottocartelle runtime sotto data/ e outputs/, inclusi dati/raw_pdf/, dati/raw_scans/, output/immagini/, output/preprocessati/, output/calibrati/, output/yolo_boxes/, output/lead_crops/, output/maschere/, output/trace/, output/signals_csv/e output/wfdb/.
2. Installa le dipendenze software richieste (Python, OpenCV, NumPy/SciPy, PyTorch, Ultralytics (YOLOv12 training/inference framework) /YOLO e WFDB) e le versioni dei documenti nella lista dei materiali (vedi Tabella dei materiali).
3. Inserisci gli input ECG nei dati/raw_pdf/ (report PDF) o nei dati/raw_scans/ (scansioni cartace).
4. Scansionare gli ECG della carta in scala di grigi a 300 dpi e mantenere la pagina piatta per evitare distorsioni della prospettiva (vedi Tabella dei materiali).
   NOTA: Utilizzare la velocità e il guadagno della carta riportati sulla stampa ECG quando disponibili (ad esempio, 25 mm·s⁻¹, 10 mm·mV⁻¹), coerenti con la fase di calibrazione nel flusso di lavoro complessivo (vedi Figura 1).

2. Convertire PDF ECG in immagini

1. Converti ogni pagina PDF ECG in un'immagine in scala di grigi a 300 dpi.
2. Salva ogni pagina come .png (preferibile) o .tiff usando una compressione minima per preservare le linee di griglia e i dettagli delle forme d'onda.
3. Memorizza le immagini esportate in output/immagini e mantiene i nomi dei file coerenti in tutte le fasi della pipeline (vedi Figura 2 per una disposizione rappresentativa degli input).

3. Pre-elaborazione delle immagini ECG (contrasto e rumore)

1. Applica CLAHE per aumentare le linee di griglia sbide e il contrasto delle forme d'onda.
2. Applica una leggera sfocatura gaussiana per ridurre il rumore ad alta frequenza preservando i bordi della forma d'onda.
3. Ritaglia i grandi margini neri preservando l'intera area di contenuto ECG.
4. Ruota l'immagine in posizione verticale se la scansione/esportazione è ruotata.
5. Salva gli output preprocessati in output/preprocessati/.
6. Ispezionare visivamente un sottoinsieme di output e confermare che le gridline e le tracce rimangano leggibili (vedi Figura 2).
   ATTENZIONE: Evita un smoothing aggressivo che rompe segmenti sottili di forma d'onda.

4. Rilevare la distanza della griglia e calibrare la scala (pixel → mm)

1. Rilevare la distanza della griglia usando il rilevamento delle linee di Hough per le linee verticali/orizzontali.
2. Stima la distanza media tra le linee di griglia adiacenti (pixel) e memorizza il valore di spaziatura della griglia.
3. Se il rilevamento delle linee di Hough fallisce, stimare la distanza usando l'analisi di Fourier delle proiezioni righe/colonne.
4. Se l'analisi di Fourier fallisce per le griglie punteggiate, stimare la distanza usando il rilevamento del cerchio di Hough (o la periodicità del punto).
5. Se tutti i rilevatori a griglia falliscono, imposta un valore di spaziatura di riserva (ad esempio, 59 pixel) e segnala il record per la revisione.
6. Calcolare la conversione da pixel a mm usando la distanza rilevata e lo standard di carta ECG (ad esempio, 25 mm·s⁻¹ e 10 mm·mV⁻¹; vedi Figura 1).
7. Ridimensiona l'immagine usando interpolazione bicubica per normalizzare la scala tra i record.
8. Salva le immagini calibrate in output/calibrate/ e memorizza i log di calibrazione per ogni record.
   NOTA: Consulta il File Supplementare 1 (Algoritmo 1) per il pseudocodice orientato all'implementazione del rilevamento della distanza della griglia e la calibrazione pixel-fisico.

5. Localizzare le regioni a 12 lead usando YOLOv12

1. Carica il modello addestrato YOLOv12 per il rilevamento della regione di lead-region (vedi la Tabella 2 per i parametri di addestramento).
   1. Utilizzare l'implementazione del framework di addestramento/inferenza YOLOv12 senza modifiche architettoniche per rilevare e separare le 12 regioni dei derivatori in ogni immagine ECG per la digitalizzazione a valle (vedi Figura 1).
2. Esegui l'inferenza su ciascuna immagine calibrata usando la dimensione di inferenza configurata (ad esempio, imgsz = 1024).
3. Applica la soppressione non massima e mantieni la riquadra delimitata con la massima fiducia per ogni classe di lead.
4. Esporta le riquadre delimitate in output/yolo_boxes/ in un formato riproducibile (TXT/CSV/JSON).
5. Salva le immagini sovrapposte che mostrano le scatole e le etichette delle regioni di lead previste per la verifica (vedi Figura 3 e Figura 4).
6. Segnala i record con lead mancanti, lead duplicati o layout incoerente ed escludili dall'esportazione automatica se necessario.
   NOTA: Consulta il File Supplementare 1 (Algoritmo 2) per il pseudocodice dell'estrazione della regione lead basata su YOLOv12 e il post-processing delle box.

6. Localizzare le icone lead usando YOLOv12

1. Carica il modello addestrato YOLOv12 per il rilevamento delle icone di guida (vedi Tabella 2 per i parametri di addestramento).
   1. Utilizzare la stessa implementazione del framework di addestramento/inferenza YOLOv12 senza modifiche architettoniche per rilevare le icone di lead e un'identificazione robusta delle lead in layout eterogenei (vedi Figura 1).
2. Esegui l'inferenza su ciascuna immagine calibrata utilizzando la dimensione di inferenza configurata e le soglie riportate nel testo principale.
3. Applica la soppressione non massima e mantieni la riquadra di delimitazione con la massima fiducia per ogni classe con icona di lead.
4. Esporta le riquadre delimitanti con icona di lead-icon in output/yolo_boxes/ in un formato riproducibile (TXT/CSV/JSON).
5. Salva le immagini sovrapposte che mostrano le riquadre delle icone di lead-icon previste e le etichette delle classi per la verifica (vedi Figura 5 e Figura 6).
6. Valutare le prestazioni di rilevamento delle icone di lead e riportare i risultati quantitativi e le definizioni delle metriche (vedi Tabella 5 e Tabella 6).
7. Confronta la rilevazione della regione di guida e quella delle icone di guida sotto lo stesso protocollo di valutazione e convenzione di reportistica in tempo reale.

7. Coltivare ogni regione piombo e standardizzare le colture

1. Ritaglia ogni regione di guida dall'immagine calibrata usando le coordinate previste della scatola delimitante.
2. Le colture a piatto raggiungono una dimensione costante quando le regioni di piombo variano tra i layout.
3. Salva le immagini ritagliate in output/lead_crops/ usando lo schema di denominazione: recordID_leadName.png.
4. Confermare che tutti e 12 i cavi siano presenti per ogni record prima dell'estrazione della forma d'onda (vedi Tabella 3 e Tabella 4).

8. Generare una maschera di segnale binaria per ogni ritaglio di lead

1. Normalizza l'intensità di ogni coltura di testa a un intervallo di intensità di 8 bit.
2. Applica la soglia adattiva (o soglia Otsu) per separare la traccia della forma d'onda dallo sfondo/griglia.
3. Applicare la pulizia morfologica (ad esempio, apertura/chiusura) per sopprimere gli artefatti residui della griglia.
4. Colmare piccoli spazi nella traccia usando interpolazione o riempimento basato sulla connettività.
5. Salva la maschera binaria finale sugli output/maschere e verifica la qualità della maschera su campioni rappresentativi (vedi Figura 7).
   NOTA: Consulta il File Supplementare 1 (Algoritmo 3) per i dettagli sulla generazione delle maschere della regione lead-region quando si utilizza il mascheramento guidato da bounding-box.

9. Estrarre tracce di forma d'onda (scegliere tra estrazione di percorso basata su Viterbi o estrazione migliorata della linea centrale.

1. Estrazione di tracce di forma d'onda utilizzando l'estrazione di cammini basata su Viterbi
   1. Calcola una mappa di costi sulla maschera binaria che penalizza le discontinuità e favorisce i pixel simili a tracce.
   2. Esegui la decodifica di Viterbi per ottenere un percorso vincolato dalla continuità attraverso la coltura di piombo.
   3. Leviga il percorso estratto e interpola i segmenti mancanti quando necessario.
   4. Salva le coordinate del percorso in output/trace/ e salva i grafici sovrapposti per la validazione (vedi Figura 8).
      NOTA: Consulta il File Supplementare 2 (Algoritmo 4) per il pseudocodice di estrazione e visualizzazione delle forme d'onda basate su Viterbi.
2. Estrazione della traccia della forma d'onda utilizzando un'estrazione migliorata della linea centrale
   1. Scheletizzare la maschera binaria per ottenere un candidato alla linea centrale.
   2. Rimuovere rami spuri e componenti isolati causati dal rumore della griglia.
   3. Smussare la linea centrale e far rispettare la continuità da sinistra a destra.
   4. Interpola i segmenti brevi mancanti per preservare la continuità della forma d'onda.
   5. Regolare i parametri specifici del dataset (ad esempio, soglie di binarizzazione, dimensioni morfologiche dei nuclei, lunghezza di potatura, resistenza di levigatura e limiti di interpolazione del gap play) per ottimizzare la continuità della linea centrale nelle condizioni di imaging del dataset dello studio.
   6. Salva le coordinate centrali su output/tracce/ e salva i grafici sovrapposti per la validazione (vedi Figura 9).
      NOTA: Utilizzare un principio standard basato sulla linea centrale basato sulla scheletizzazione e migliorare la robustezza tramite la regolazione dei parametri specifici per dataset e la post-elaborazione; consultare il File Supplementare 2 (Algoritmo 5) per l'estrazione della linea centrale, la smussatura/interpolazione, le impostazioni dei parametri e il pseudocodice di memorizzazione.

10. Convertire le tracce dei pixel in segnali calibrati (mV vs tempo)

1. Converti le coordinate y dei pixel in tensione utilizzando la scala calibrata della griglia (10 mm·mV⁻¹) e la mappatura pixel-mm.
2. Converti le coordinate pixel x in tempo usando la scala calibrata della griglia (25 mm·s⁻¹) e la mappatura pixel-mm.
3. Ricampiona ogni derivazione a una frequenza di campionamento fissa (ad esempio, 100 Hz) e allinea tutti e 12 i terminali nel tempo.
4. Salva i segnali a 12 derivazioni come file CSV nelle uscite/signals_csv/ con nomi e unità di colonna coerenti.

11. Esportare record WFDB e validare gli output

1. Converti ogni CSV a 12 lead in un record WFDB utilizzando la libreria WFDB.
2. Scrivi il file header .hea contenente il nome del record, la frequenza di campionamento, i guadagni di segnale, le basi e i nomi delle piste.
3. Scrivi il file del segnale .dat usando un tipo numerico coerente (ad esempio, 16 bit) e una convenzione unitaria (ad esempio, μV).
4. Ricarica ogni record WFDB e traccia tutti e 12 i lead per confermare l'ordine, la denominazione e l'allineamento temporale (vedi Figura 10).
5. Salva gli output finali WFDB in output/wfdb/ e salva i grafici di validazione.
   NOTA: Consulta il File Supplementare 3 (Algoritmo 7) per i dettagli sulla conversione da CSV a WFDB e la scrittura opzionale delle annotazioni quando sono disponibili i metadati.

12. Checkpoint e risoluzione dei problemi

1. Rifiuta o segnala qualsiasi record con calibrazione della griglia inaffidabile, cavi mancanti o gravi occlusioni.
2. Rieseguire la pre-elaborazione e la calibrazione con parametri regolati per i record segnalati.
3. Riavvia il rilevamento con soglie aggiornate di confidenza/IoU quando vengono mancati lead.
4. Riassumi le modalità di guasto e i criteri di esclusione in una tabella dei risultati.

Risultati

Preparazione degli input
I report ECG sono stati convertiti con successo da PDF o scansioni a immagini standardizzate allineate agli assi, adatte all'elaborazione a valle. Per gli ECG su carta, le scansioni venivano acquisite a 300 dpi in scala di grigi e salvate come PNG/TIFF per ridurre gli artefatti di compressione. I problemi di input più comuni erano (i) compressione eccessiva dovuta alle esportazioni PDF, (ii) ritaglio parziale che rimuoveva regioni o etichette ...

Discussione

Questo studio presenta una pipeline automatizzata end-to-end che converte immagini ECG a 12 derivazioni da PDF o registrazioni cartacee scansionate in segnali digitali conformi a WFDB tramite calibrazione a griglia, localizzazione basata su YOLOv12 e estrazione di forme d'onda tramite la ricerca del percorso Viterbi o un metodo migliorato della linea centrale¹. Il protocollo include checkpoint di validazione (overlay di bounding-box, overlay di traccia e grafici d...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
GPU (test runtime)	NVIDIA	GeForce RTX 3060 12 GB	NVIDIA GeForce RTX 3060 12 GB utilizzata per i test di esecuzione
NumPy	NumPy	1.26.4	Elaborazione numerica
OpenCV	OpenCV	4.10.0.84	Preprocessing dell'immagine (deskew, filtraggio)
Sistema operativo (test a runtime)	Microsoft	Windows 11	Windows 11 utilizzato per i test di esecuzione
Convertitore da PDF a immagine	Questo protocollo	V1	Rasterizzazione PDF a 300 DPI; fornire URL del repository in Data Availability
Python	Python Software Foundation	3.12.5	Ambiente di esecuzione
PyTorch	PyTorch	0.5.0	Backend per YOLOv12
Scanner	Canon	DR-C240	300 DPI, in scala di grigi, PNG/TIFF consigliato
scikit-image	scikit-image	0.25.0	Scheletizzazione e morfologia (linea centrale)
Ultralitica	Ultralitica	8.3.155	Framework di addestramento/inferenza YOLOv12
wfdb (pacchetto Python)	PhysioNet	4.1.2	Esportazione WFDB (.hea/.dat)