自動12導離心電図(ECG)デジタル化および波形データベース(WFDB)標準化:ベトナム臨床データからの洞察

サマリー

ここでは、実際の臨床報告から12リード心電図画像を、標準化された下流解析のためのより、WFDB準拠のデジタル信号に変換するための再現可能なプロトコルを提示します。グリッドキャリブレーション、YOLOv12ベースのリード定位、波形抽出(Viterbiまたは改良中心線)、および視覚的検証チェックポイントの統合です。

要約

多くのクリニックでは、12誘導心電図(ECG)を印刷された紙の記録やPDFレポートに埋め込んだラスタ画像としてアーカイブしており、相互運用性や下流の計算解析が制限されています。ここでは、ECGレポート画像をWaveForm DataBase(WFDB)準拠のデジタル信号に変換し、標準化された下流利用に変換する再現可能なデジタル化プロトコルを紹介します。このプロトコルは、(i) グリッド検出とピクセル対物理キャリブレーション、(ii) オブジェクト検出モデルを用いた12リード領域の自動定位とラベル付け、(iii) 信号の前処理と正規化、(iv) 連続性制約経路法(Viterbi)または改良された中心線ベースのアプローチを用いた波形抽出で構成されています。ワークフローは異種な臨床レイアウト、可変グリッドの可視性、一般的な画像アーティファクトに対応するよう設計されており、各段階での品質管理のための視覚チェックポイントも含まれています。このプロトコルは、信号処理や機械学習パイプラインでの再現性解析に適したタイムアライメントされた12リードWFDBレコードを出力します。

概要

12導心電図(ECG)は心血管評価の基盤であり、スクリーニング、モニタリング、臨床意思決定に広く使われ^{ています。}デジタル化の取り組みが進んでいるにもかかわらず、多くの機関は依然として心電図を印刷された紙の記録やPDFレポートに埋め込んだラスタライズ画像として保存しており、これにより検索性が低下し、縦断的な追跡調査が複雑になっています^。重要なのは、画像ベースの保存により、標準化されたECGツールキットや^{、画像ではなく}校正された時系列信号を必要とする機械学習パイプラインの直接使用を妨げる点です。このプロトコルの全体的な目標は、心電図画像を下流の計算解析に適した校正済みデジタル信号に変換するための再現可能かつ標準化された方法を提供することです。

自動心電図のデジタル化は、スキャンされた心電^{図画像から}電圧–時間信号を再構築することを目指します。しかし、実際の臨床心電図スキャンでは、報告書レイアウトが異様で、グリッドの可視性が変動し、圧縮アーティファクトが現れ、照明が不均一で、スタンプや注釈などの追加マーキングが見られることが多い^です。これらの要因はリードの定位や波形トレーシングを劣化させ、機関間や機器ベンダー間での再現性を制限します。⁶.したがって、実用的なデジタル化ワークフローは、堅牢なグリッドキャリブレーション、信頼性の高いリード分離とラベリング、そしてWFDB⁷のような広く採用された信号フォーマットへの標準化されたエクスポートを提供するべきです。標準化されたデジタルフォーマットは、機関間の相互運用性を向上させ、確立された心電図信号処理ライブラリを用いた再現性のある解析を可能にします。

いくつかの心電図デジタル化ツールが提案されています(表1)が、臨床的な導入は依然として困難であり、パフォーマンスはスキャン品質やレイアウトの変動に敏感になるため^です。最近の研究では、ディープラーニングを用いたECG紙の記録からの自動リード抽出も検討されており、多様なレイアウトやアーティファクトにおける堅牢な解析の必要性がさらに強調されています¹¹。関連するデジタル化ソフトウェアも、異種臨床条件下での堅牢性向上のために導入されています¹²。同時に、ECG-画像研究のためのオープンツールキットやリソースが導入され、手法開発とベンチマーキングを円滑に進めています¹³。レイアウトの変動に敏感だったり特定のスキャン形式に限定される既存のデジタル化ツールとは異なり、このプロトコルはグリッドキャリブレーション、リードの自動ローカライゼーション、標準化されたWFDBエクスポートを統合し、異種臨床レポート全体での堅牢性を向上させています。本研究では、実際の心電図PDFやスキャン記録を対象にし、再現性を重視し、WFDB準拠のマルチリード信号を下流解析のために出力するエンドツーエンドパイプラインに焦点を当てています。

12誘導心電図レポート画像をWFDB準拠のデジタル信号に変換するための完全自動化かつ再現可能なプロトコルを提案します。このプロトコルは、(i) 標準的なECG設定(25 mm·^s-1, 10 mm·^mV-1)を用いたグリッドベースのピクセル対物理キャリブレーション、(ii) 異種レポートレイアウトでの堅牢なリード識別を支援するYOLOv12ベースのリード領域およびリードアイコンの局在化、(iii) 可変線太度や小さな不連続点下でのトレース連続性を改善する改良型センターライン法を含む2つの代替波形抽出手法を統合しています。これらの構成要素は、シグナル抽出、堅牢なデジタル化ソフトウェア、異種臨床条件下での実用的なデジタル化戦略に関する先行研究と整合しています¹⁴。得られるWFDBレコードは、標準的なECGツールチェーンを用いた下流解析を可能にします。このプロトコルは、スキャン紙レコードやラスタライズPDFとして保存されたアーカイブ心電図報告書の遡及的デジタル化に特に適しており、グリッドラインが欠如または著しく歪んでいる場合は適応が必要になることがあります。

プロトコル

回顧的データ収集前に、タムドゥック病院(プロトコルID:24751791)から倫理委員会(機関審査委員会)の承認を得てください。解析前に、すべてのECGレポートを直接識別子(例:患者名、医療記録番号、生年月日、受診日)を削除し、非特定性の研究IDに置き換えてください。モデル開発および評価には非識別化された心電図データのみを使用してください。

1. 資料、ソフトウェア、入力を準備する

1. プロジェクトリポジトリをクローンし、ディレクトリ構造(ベースライン/、core_binary/、データ/、評価/、出力/、public/、結果/、重み/、ラッパー/)、さらに README.md とrequirements.txt(データ可用性参照)を検証します。
   1. data/およびoutput/の下に、data/raw_pdf/、data/raw_scans/、outputs/images/、outputs/preprocessed/、outputs/calibration/、outputs/yolo_boxes/、outputs/lead_crops/、outputs/masks/、outputs/traces/、outputs/signals_csv/、outputs/wfdb/など、ランタイムサブフォルダを作成(または検証)してください。
2. 必要なソフトウェア依存関係(Python、OpenCV、NumPy/SciPy、PyTorch、Ultralytics(YOLOv12トレーニング/推論フレームワーク)/YOLO、WFDB)をインストールし、資料リストにバージョンを文書化してください(材料 表参照)。
3. 心電図の入力をデータ/raw_pdf/(PDFレポート)またはデータ/raw_scans/(紙のスキャン)に入力します。
4. 紙の心電図は300dpiのグレースケールでスキャンし、遠近の歪みを避けるためにページを平らに保ちます(材料 表参照)。
   注意:利用可能な場合は、ECGプリントアウトに報告された速度と利得(例:25 mm·s⁻¹、10 mm·mV⁻¹)を使用し、全体のワークフローにおける校正段階と整合させてください( 図1参照)。

2. 心電図のPDFを画像に変換する

1. 各ECG PDFページを300dpiのグレースケール画像に変換してください。
2. 各ページを.png(推奨)または.tiff最小限の圧縮で保存し、グリッドラインや波形の詳細を保持します。
3. エクスポートした画像をoutput/images/に保存し、すべてのパイプライン段階でファイル名を一貫性に保つ(代表的な入力レイアウトは 図2 参照)。

3. 心電図画像(造影・ノイズ)の前処理

1. CLAHEを適用して、かすかなグリッド線や波形のコントラストを強調しましょう。
2. 波形のエッジを保ちつつ、高周波ノイズを減らすために軽いガウスブラーを適用します。
3. 心電図の全範囲を保持しつつ、大きな黒いマージンをトリミングします。
4. スキャンやエクスポートが回転した場合は、画像を直立方向に回転させます。
5. 事前処理済みの出力を出力/前処理/に保存します。
6. 出力の一部を目視で確認し、グリッド線やトレースが読み取れるかどうかを確認しましょう( 図2参照)。
   注意:薄い波形セグメントを壊すような攻撃的な平滑化は避けてください。

4. グリッド間隔の検出とスケール(ピクセル→mm)のキャリブレーション

1. 垂直・水平グリッドラインのグリッド間隔をHough線検出で検出します。
2. 隣接するグリッドライン(ピクセル)間の平均距離を推定し、グリッド間隔の値を保存します。
3. ハフ線検出が失敗した場合は、行・列投影のフーリエ解析を使って間隔を推定します。
4. ドットグリッドでフーリエ解析が失敗した場合は、ハフサークル検出(またはドット周期)を使って間隔を推定します。
5. すべてのグリッド検出器が故障した場合は、フォールバック間隔(例:59ピクセル)を設定し、レコードをレビューのためにフラグ付けします。
6. 検出された間隔と心電図用紙規格(例:25 mm·s⁻¹ および10 mm·mV⁻¹; 図1参照)を用いてピクセルからmmへの変換を計算します。
7. 画像を二立次補間でリスケールし、レコード間のスケールを正規化します。
8. キャリブレーション済みの画像を出力/キャリブレーション済み/記録ごとに保存します。
   注意:グリッド間隔検出およびピクセル対物理キャリブレーションの実装指向の疑似コードについては、 補足ファイル1(アルゴリズム1 )を参照してください。

5. YOLOv12を用いた12誘導領域の局在化

1. 訓練済みのYOLOv12モデルをリード領域検出のためにロードします(トレーニングパラメータは 表2 参照)。
   1. YOLOv12のトレーニング/推論フレームワークの実装をアーキテクチャの変更なしに使用し、各ECG画像内の12リード領域を検出・分離し、下流のデジタル化を行います( 図1参照)。
2. 各キャリブレーション済み画像に対して、設定された推論サイズ(例:imgsz = 1024)を使って推論を行います。
3. 非最大抑制を適用し、リードクラスごとに最も信頼度の高いバウンディングボックスを保持してください。
4. バウンディングボックスを出力/yolo_boxes/にエクスポートし、再現可能な形式(TXT/CSV/JSON)にします。
5. 予測されたリード領域のボックスやラベルを示すオーバーレイ画像を保存して検証してください( 図3 および 図4参照)。
6. リードの欠落、重複リード、レイアウトの不一致があるレコードにフラグを立て、必要に応じて自動エクスポートから除外します。
   注:YOLOv12ベースのリード領域抽出およびボックス後処理の疑似コードについては 、補足ファイル1(アルゴリズム2 )を参照してください。

6. YOLOv12を使ったリードアイコンのローカライズ

1. リードアイコン検出のために訓練済みYOLOv12モデルを読み込みます(トレーニングパラメータは 表2 参照)。
   1. アーキテクチャの変更なしに同じYOLOv12トレーニング/推論フレームワークの実装を用いて、異種レイアウトでもリードアイコンを検出し、堅牢なリード識別を実現します( 図1参照)。
2. 各キャリブレーション済み画像に対して、本文で報告された推論サイズと閾値を用いて推論を行います。
3. 非最大抑制を適用し、リードアイコンクラスごとに最も信頼度の高いバウンディングボックスを保持してください。
4. リードアイコンの境界ボックスをoutputs/yolo_boxes/にエクスポートし、再現可能な形式(TXT/CSV/JSON)にします。
5. 予測されたリードアイコンボックスやクラスラベルを示すオーバーレイ画像を保存して検証してください( 図5 および 図6参照)。
6. リードアイコン検出の性能を評価し、定量的な結果と指標の定義を報告してください( 表5 および 表6参照)。
7. 同じ評価プロトコルとランタイム報告慣例の下でリード領域検出とリードアイコン検出を比較してください。

7. 各鉛鉱区を作物に収穫し、作物を標準化する

1. 予測されたバウンディングボックス座標を使って、キャリブレーション済み画像から各リード領域をトリミングします。
2. 葉片は、鉛の領域がレイアウトによって異なる場合、一定の大きさに収穫されます。
3. トリミングした画像を出力/lead_crops/に保存するには、命名方法:recordID_leadName.png。
4. 波形抽出前に各レコードで12本すべてのリード線が揃っているか確認してください( 表3 および 表4参照)。

8. 各リード作物ごとにバイナリ信号マスクを生成する

1. 各リードクロップの強度を8ビットの範囲に正規化します。
2. 波形トレースを背景やグリッド線から分離するために、適応的しきい値(またはオツしきい値)を適用します。
3. 残留グリッドアーティファクトを抑制するために形態学的なクリーンアップ(例:開閉)を適用します。
4. トレースの小さな隙間を補間や接続性に基づく充填を用いて橋渡しします。
5. 最終的なバイナリマスクを出力/マスク/に保存し、代表サンプルのマスク品質を確認します( 図7参照)。
   注意:バウンディングボックスガイドマスキングを使用する場合のリード領域マスク生成の詳細は 補足ファイル1(アルゴリズム3) を参照してください。

9. 波形トレースの抽出(ビタービベースのパス抽出または改良中心線抽出のいずれかを選択)。

1. ビタービベースの経路抽出を用いた波形トレースの抽出
   1. 不連続点に不利でトレースのようなピクセルを有利にするコストマップを二進マスク上で計算します。
   2. Viterbiデコードを実行して、鉛作物を横断する連続性制約のある経路を取得します。
   3. 抽出した経路を滑らかにし、必要に応じて欠落したセグメントを補間します。
   4. パス座標を出力/トレース/に保存し、オーバーレイプロットを検証用に保存します( 図8参照)。
      注:Viterbiベースの波形抽出および可視化疑似コードについては 、補足ファイル2(アルゴリズム4 )を参照してください。
2. 改良された中心線抽出を用いた波形トレースの抽出
   1. バイナリマスクをスケルトン化して中心線候補を得る。
   2. グリッドノイズによる誤った枝や孤立部品を除去してください。
   3. 中心線を滑らかにし、左から右への連続性を強制します。
   4. 波形の連続性を保つために短い欠損セグメントを補間します。
   5. データセット固有のパラメータ(例:二値化閾値、形態学的核サイズ、剪定長さ、平滑化強度、ギャップ補間限界)を調整し、研究データセットのイメージング条件下での中心線連続性を最適化します。
   6. 中心線座標を出力/トレース/に保存し、オーバーレイプロットを検証用に保存します( 図9参照)。
      注意:標準的な骨格化ベースの中心線原理を使用し、データセット固有のパラメータ調整と後処理によって堅牢性を向上させてください。中心線抽出、平滑化/補間、パラメータ設定、記憶擬似コードについては 補足ファイル2 (アルゴリズム5)を参照してください。

10. ピクセルトレースをキャリブレーション信号(mV対時間)に変換する

1. ピクセルy座標を、キャリブレーションされたグリッドスケール(10mm·mV⁻¹)とピクセル対ミリマッピングを用いて電圧に変換します。
2. キャリブレーションされたグリッドスケール(25 mm·s⁻¹)とピクセル対ミリマッピングを用いて、ピクセルx座標を時間に変換します。
3. 各リードを固定されたサンプリングレート(例:100Hz)にリサンプリングし、12本すべてのリードを時間内に整列させます。
4. 12リード信号はoutput/signals_csv/のCSVファイルとして保存し、カラム名と単位が一貫しています。

11. WFDBレコードのエクスポートおよび出力の検証

1. 各12リードCSVをWFDBライブラリを使ってWFDBレコードに変換します。
2. レコード名、サンプリングレート、信号ゲイン、ベースライン、リード名を含む.heaヘッダーファイルを書き込みます。
3. .dat信号ファイルは一貫した数値型(例:16ビット)と単位慣例(例:μV)で書き込みます。
4. 各WFDBレコードを再読み込み、12本すべてのリードをプロットしてリードの順序、命名、時間の整合性を確認し( 図10参照)。
5. 最終的なWFDB出力をoutputs/wfdb/に保存し、検証プロットも保存します。
   注意:CSVからWFDBへの変換の詳細およびメタデータがある場合のオプション注釈書き込みについては、 補足ファイル3(アルゴリズム7) を参照してください。

12. チェックポイントとトラブルシューティング

1. グリッドのキャリブレーションが不安定で、リード線が欠けている、または深刻な閉塞があるレコードは拒否またはフラグ付けしてください。
2. フラグ付きレコードに対してパラメータを調整して前処理とキャリブレーションを再実行します。
3. リードが見逃された場合は、信頼度やIoUの閾値を更新して検出を再実行します。
4. 故障モードと除外基準を結果表にまとめてください。

結果

入力準備
心電図の報告はPDFやスキャンから、下流処理に適した標準化された軸整合画像に成功裏に変換されました。紙の心電図では、300 dpiのグレースケールでスキャンを取得し、圧縮アーティファクトを減らすためにPNG/TIFFとして保存しました。最も一般的な入力問題は、(i) PDFエクスポート時の過度な圧縮、(ii) リード領域やラベルが取り除かれた部分的なトリミング、(iii) スマートフォン写真の遠近歪みでした。クロップや深刻な歪みの影響を受けた記録は、視覚チェックポイントでフラグが立てられ、修正されない限り完全自動処理から除外されました。

グリッド検出と較正
グリッド推定により、明確に見えるグリッドを持つ心電図レポート全体で一貫したピクセル対物理キャリブレーション因子が得られました。キャリブレーションは標準的な心電図設定である25 mm·s⁻¹ (時間軸)および10 mm·mV⁻¹ (...

ディスカッション

本研究は、PDFやスキャン紙レコードから12リード心電図画像を、グリッドキャリブレーション、YOLOv12ベースのリード定位、ビタービ経路探索または改良された中心^線法1を用いた波形抽出を通じて、WFDB準拠のデジタル信号に変換する自動化エンドツーエンドパイプラインを提示します。プロトコルには、デジタル化中の品質保証を支援するための検証チェックポイント(バウンディングボックスオーバーレイ、トレースオーバーレイ、WFDBリロードプロット)が含まれています。

ECG画像を標準化された時系列信号に変換することで、既存のECGツールチェーンとの相互運用性が向上し、信号処理や機械学習ワークフローにおける再現可能な下流解析が可能になります^。自動リードローカライゼーションとWFDBエクスポートを統合することで、手動トリミングを削減し、実際の臨床レイアウト下でのECGアーカイブの遡及的デジタル化を加速します

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
GPU(ランタイムテスト)	NVIDIA	GeForce RTX 3060 12GB	ランタイムテストに使用されたNVIDIA GeForce RTX 3060 12GB
NumPy	NumPy	1.26.4	数値処理
OpenCV	OpenCV	4.10.0.84	画像前処理(デスク、フィルタリング)
オペレーティングシステム(ランタイムテスト)	マイクロソフト	Windows 11	Windows 11 のランタイムテスト用
PDFから画像への変換	このプロトコル	V1	PDFラスタライズは300 DPIで、データ可用性にリポジトリURLを提供する
パイソン	Pythonソフトウェア財団	3.12.5	ランタイム環境
パイトーチ	パイトーチ	0.5.0	YOLOv12のバックエンド
スキャナー	正史	DR-C240	300 DPI、グレースケール、PNG/TIFF推奨
scikit-image	scikit-image	0.25.0	骨格化と形態(中心線)
ウルトラリティクス	ウルトラリティクス	8.3.155	YOLOv12トレーニング/推論フレームワーク
wfdb(Pythonパッケージ)	フィジオネット	4.1.2	WFDBエクスポート(.hea/.dat)