자동 12유도 심전도(ECG) 디지털화 및 웨이브폼 데이터베이스(WFDB) 표준화: 베트남 임상 데이터에서의 통찰

요약

여기서는 실제 임상 보고서에서 12리드 심전도 이미지를 보정된 WFDB 준수 디지털 신호로 변환하는 재현 가능한 프로토콜을 제시하며, 표준화된 하위 분석, 그리드 보정, YOLOv12 기반 리드 위치 파악, 파형 추출(Viterbi 또는 개선된 중심선), 시각적 검증 체크포인트를 통합합니다.

초록

많은 클리닉에서는 여전히 12유도 심전도(ECG)를 인쇄된 종이 기록이나 PDF 보고서에 내장된 래스터 이미지로 보관하고 있어, 상호운용성과 후속 계산 분석이 제한됩니다. 여기서는 ECG 보고서 이미지를 WaveForm DataBase(WFDB) 호환 디지털 신호로 변환하여 표준화된 하위 사용을 제공하는 재현 가능한 디지털화 프로토콜을 소개합니다. 이 프로토콜은 (i) 그리드 검출 및 픽셀-물리적 보정, (ii) 객체 검출 모델을 이용한 12개 리드 영역의 자동 위치 및 라벨링, (iii) 신호 전처리 및 정규화, (iv) 연속 제한 경로 방법(Viterbi) 또는 개선된 중심선 기반 접근법을 이용한 파형 추출로 구성됩니다. 워크플로우는 이질적인 임상 배치, 가변적인 격자 가시성, 일반적인 영상 아티팩트를 처리하도록 설계되었으며, 각 단계에서 품질 관리를 위한 시각적 체크포인트를 포함하고 있습니다. 이 프로토콜은 신호 처리 및 머신러닝 파이프라인에서 재현 가능한 분석에 적합한 시간 정렬 12리드 WFDB 레코드를 출력합니다.

서론

12유도 심전도(ECG)는 심혈관 평가의 핵심이며, 선별, 모니터링, 임상^{의사결정에} 널리 사용되고 있습니다. 지속적인 디지털화 노력에도 불구하고, 많은 기관이 여전히 ECG를 인쇄된 종이 기록이나 PDF 보고서에 내장된 래스터화된 이미지로 저장하고 있어 검색 가능성을 떨어뜨리고 장기적 추적 관찰을 복잡하게 만듭니다². 중요한 점은, 이미지 기반 저장 장치가 표준 ECG 툴킷과 이미지 대신 보정된 시계열 신호를 필요로 하는 머신러닝 파이프라인의 직접적인 사용을 방지한다는 점입니다^. 이 프로토콜의 전반적인 목표는 심전도 영상을 하위 계산 분석에 적합한 보정된 디지털 신호로 변환하는 재현 가능하고 표준화된 방법을 제공하는 것입니다.

자동 심전도 디지털화는 스캔된 ECG 영상에서 전압-시간 신호를 재구성하는 것을 목표로 합니다^. 그러나 실제 임상 심전도 스캔은 종종 이질적인 보고서 레이아웃, 가변 격자 가시성, 압축 아티팩트, 불균일한 조명, 그리고 도장이나 주석과 같은 추가 표시를 보^입니다. 이러한 요인들은 리드 위치 추적과 파형 추적을 저하시켜 기관과 장비 공급업체 간 재현성을 제한할 수^{있습니다.} 따라서 실용적인 디지털화 워크플로우는 견고한 그리드 보정, 신뢰할 수 있는 리드 분리 및 라벨링, 그리고 WFDB⁷과 같은 널리 채택된 신호 형식으로 표준화된 내보내기를 제공해야 합니다. 표준화된 디지털 형식은 기관 간 상호운용성을 향상시키고, 확립된 심전도 신호처리 라이브러리를 이용한 재현 가능한 분석을 용이하게 합니다.

여러 ECG 디지털화 도구가 제안되었으나(표 1), 임상 배포는 여전히 도전적이며, 성능은 스캔 품질과 레이아웃 변동성에 민감할 수 있습니다 ^8,9,10. 최근 연구들은 딥러닝을 이용한 ECG 종이 기록에서 자동 리드 추출도 탐구했으며, 이는 다양한 레이아웃과 산출물에서 견고한 구문 분석의 필요성을 더욱 부각시켰습니다¹¹. 이질적인 임상 조건에서 견고성을 높이기 위해 관련 디지털화 소프트웨어도 도입되었습니다¹². 동시에, ECG 영상 연구를 위한 오픈 툴킷과 자원이 도입되어 방법 개발과 벤치^마킹을 촉진했습니다. 레이아웃 변동성에 민감하거나 특정 스캔 형식에 제한될 수 있는 기존 디지털화 도구와 달리, 이 프로토콜은 그리드 보정, 자동 리드 위치 파악, 표준화된 WFDB 내보내기를 통합하여 이기종 임상 보고서 전반에 걸쳐 견고성을 향상시킵니다. 이 연구에서는 실제 ECG PDF와 스캔된 기록을 대상으로 한 종단 간 파이프라인에 초점을 맞추고, 재현성을 강조하며, WFDB 준수 다중 리드 신호를 출력 하여 후속 분석에 활용합니다.

우리는 12유도 심전도 보고서 이미지를 WFDB 준수 디지털 신호로 변환하는 완전 자동화 및 재현 가능한 프로토콜을 제안합니다. 이 프로토콜은 (i) 표준 ECG 설정(25 mm·^s-1, 10 mm·^mV-1)을 이용한 격자 기반 픽셀-물리 보정, (ii) 이질적인 보고서 레이아웃에서 견고한 리드 식별을 지원하기 위한 YOLOv12 기반 리드 영역과 리드 아이콘의 위치 지정, 그리고 (iii) 가변 선 두께와 작은 불연속 지점에서 트레이스 연속성을 개선하기 위한 개선된 중심선 방법을 포함한 두 가지 대체 파형 추출 절차를 통합합니다. 이 구성 요소들은 이질적인 임상 조건 하에서 신호 추출, 견고한 디지털화 소프트웨어, 실용적인 디지털화 전략에 관한 이전 연구와 일치합니다^. 이로 인해 생성된 WFDB 기록은 표준 ECG 툴체인을 이용한 후속 분석을 가능하게 합니다. 이 프로토콜은 스캔된 종이 기록이나 래스터화된 PDF로 저장된 아카이브된 심전도 보고서의 회고적 디지털화에 특히 적합하며, 그리드 라인이 없거나 심하게 왜곡된 경우 적응이 필요할 수 있습니다.

프로토콜

회고적 데이터 수집 전에 탐덕 병원(프로토콜 ID: 24751791)으로부터 윤리 위원회(기관 검토 위원회)의 승인을 받으세요. 분석 전에 모든 ECG 보고서를 식별 해제하여 직접 식별자(예: 환자 이름, 의료 기록 번호, 생년월일, 방문일)를 제거하고, 식별 없는 연구 ID로 대체합니다. 모델 개발 및 평가에는 식별 해제된 ECG 데이터만 사용하십시오.

1. 자료, 소프트웨어 및 입력 자료를 준비합니다

1. 프로젝트 저장소를 복제하고 디렉터리 구조를 검증합니다. 여기에는 Baseline/, core_binary/, data/, evaluation/, outputs/, public/, results/, weight/, wrapper/, 그리고 README.md 와 requirements.txt(데이터 가용성 참조).
   1. data/와 output/ 아래에 data/raw_pdf/, data/raw_scans/, outputs/images/, outputs/preprocessingd/, outputs/calibration/, outputs/yolo_boxes/, outputs/lead_crops/, outputs/masks/, outputs/traces/, outputs/signals_csv/, outputs/wfdb/ 등 런타임 하위 폴더를 생성(또는 검증)하세요.
2. 필요한 소프트웨어 의존성(파이썬, OpenCV, NumPy/SciPy, PyTorch, Ultralytics(YOLOv12 교육/추론 프레임워크) /YOLO, WFDB)을 설치하고, 자료 목록에 문서 버전을 등록하세요(재료 표 참조).
3. 심전도 입력을 데이터/raw_pdf/(PDF 보고서) 또는 데이터/raw_scans/(종이 스캔)에 입력하세요.
4. 종이 심전도를 300 dpi 회색 스케일로 스캔하고 원근 왜곡을 방지하기 위해 페이지를 평평하게 유지 하세요(재료표 참조).
   참고: ECG 출력물에 보고된 속도와 이득(예: 25 mm·s⁻¹, 10 mm·mV⁻¹)을 사용하며, 전체 작업 흐름의 보정 단계와 일치합니다( 그림 1 참조).

2. ECG PDF를 이미지로 변환하기

1. 각 ECG PDF 페이지를 300 dpi의 그레이스케일 이미지로 변환하세요.
2. 각 페이지를 .png(선호) 또는 최소한의 압축으로 .tiff 저장하여 그리드라인과 파형 세부 사항을 보존하세요.
3. 내보낸 이미지를 output/images/에 저장하고, 모든 파이프라인 단계에서 파일 이름을 일관되게 유지하세요(대표적인 입력 레이아웃은 그림 2 참조).

3. 심전도 영상(대조 및 노이즈) 전처리

1. CLAHE를 적용해 희미한 격자선과 파형 대비를 강조하세요.
2. 파형 가장자리를 유지하면서 고주파 잡음을 줄이기 위해 가벼운 가우시안 블러를 적용하세요.
3. 전체 심전도 성분 영역을 유지하면서 큰 검은 여백을 잘라내세요.
4. 스캔/내보내기가 회전하면 이미지를 수직 방향으로 돌리세요.
5. 사전 처리된 출력을 출력/전처리/로 저장하세요.
6. 출력 일부를 육안으로 점검하여 격자선과 트레이스가 여전히 읽을 수 있는지 확인하세요( 그림 2 참조).
   주의: 얇은 파형 구간을 파괴하는 공격적인 평활화는 피하세요.

4. 격자 간격 감지 및 스케일(픽셀 → mm) 보정

1. 수직/수평 그리드라인에 대해 Hough 라인 감지를 사용하여 격자 간격을 감지합니다.
2. 인접한 격자선(픽셀) 간의 평균 거리를 추정하고 격자 간격 값을 저장합니다.
3. Hough 선 감지가 실패하면, 행/열 투영법의 푸리에 분석을 이용해 간격을 추정합니다.
4. 점선 그리드에 대해 푸리에 분석이 실패하면, Hough 원 검출(또는 점 주기)을 사용해 간격을 추정합니다.
5. 모든 그리드 검출기가 실패하면 백업 간격 값(예: 59픽셀)을 설정하고 해당 레코드를 검토 대상으로 플래그를 표시합니다.
6. 검출된 간격과 ECG 용지 표준(예: 25 mm·s⁻¹ 및 10 mm·mV⁻¹; 그림 1 참조)을 사용하여 픽셀에서 mm로 변환을 계산합니다.
7. 이중입순 보간법을 사용해 이미지 크기를 재조정하여 레코드 간 스케일을 정규화합니다.
8. 보정된 이미지를 출력/보정/보정/기록별로 저장하세요.
   참고: 그리드 간격 감지 및 픽셀-물리적 보정의 구현 지향적 의사코드는 보충 파일 1(알고리즘 1) 을 참조하십시오.

5. YOLOv12를 사용하여 12-리드 영역을 국소화합니다

1. 학습된 YOLOv12 모델을 로드하여 리드 영역 검출을 수행합니다(학습 매개변수는 표 2 참조).
   1. YOLOv12 훈련/추론 프레임워크 구현을 아키텍처 변경 없이 사용하여 각 ECG 이미지의 12개 리드 영역을 감지하고 분리하여 디지털화를 진행할 수 있습니다( 그림 1 참조).
2. 각 보정된 이미지에 대해 설정된 추론 크기(예: imgsz = 1024)를 사용하여 추론을 실행합니다.
3. 최대 억제가 아닌 것을 적용하고, 리드 클래스별로 가장 높은 신뢰도 경계 박스를 유지하세요.
4. 바운딩 박스를 outputs/yolo_boxes/로 내보내기(TXT/CSV/JSON)로 재현 가능한 형식입니다.
5. 예측된 리드 영역 박스와 라벨을 보여주는 오버레이 이미지를 저장하여 검증을 위해 사용하세요( 그림 3 및 그림 4 참조).
6. 리드가 누락되었거나, 중복되었거나, 일관되지 않은 레이아웃이 있는 레코드는 플래그를 지정하고, 필요하다면 자동 내보내기에서 제외하세요.
   참고: YOLOv12 기반 리드 영역 추출 및 박스 후처리의 의사코드는 보충 파일 1(알고리즘 2) 을 참조하십시오.

6. YOLOv12를 사용해 리드 아이콘을 현지화하기.

1. 학습된 YOLOv12 모델을 리드 아이콘 감지를 위해 로드합니다(학습 매개변수는 표 2 참조).
   1. 아키텍처 변경 없이 동일한 YOLOv12 훈련/추론 프레임워크 구현을 사용하여 이기종 레이아웃에서 리드 아이콘을 감지하여 견고한 리드 식별을 할 수 있습니다( 그림 1 참조).
2. 각 보정된 이미지에 대해 본문에 보고된 추론 크기와 임계값을 사용하여 추론을 실행합니다.
3. 최대 억제가 아닌 것을 적용하고, 리드 아이콘 클래스별로 가장 높은 신뢰도 바운딩 박스를 유지하세요.
4. 리드 아이콘 경계 상자를 재현 가능한 형식(TXT/CSV/JSON)으로 outputs/yolo_boxes/로 내보내세요.
5. 예측된 리드 아이콘 박스와 클래스 라벨을 보여주는 오버레이 이미지를 저장하여 검증을 위해 사용하세요( 그림 5 와 그림 6 참조).
6. 리드 아이콘 탐지 성능을 평가하고 정량적 결과 및 지표 정의를 보고하세요( 표 5 및 표 6 참조).
7. 동일한 평가 프로토콜과 런타임 보고 규칙 하에서 리드 영역 감지와 리드 아이콘 감지를 비교하세요.

7. 각 납 지역을 작물하고 작물을 표준화한다

1. 예측된 경계 박스 좌표를 사용해 보정된 이미지에서 각 리드 영역을 자릅니다.
2. 납 구역이 배치에 따라 달라질 때는 패드 작물로 일정한 크기로 작물을 합니다.
3. 잘린 이미지를 출력/lead_crops/로 저장하세요: recordID_leadName.png.
4. 파형 추출 전에 각 레코드에 12개의 리드가 모두 있는지 확인하세요( 표 3 과 표 4 참조).

8. 각 리드 작물마다 이진 신호 마스크를 생성합니다

1. 각 납작물 강도를 8비트 강도 범위로 정규화하세요.
2. 적응형 임계값(또는 오츠 임계값)을 적용하여 파형 트레이스를 배경/격자선에서 분리합니다.
3. 형태학적 정리(예: 개방/닫기)를 적용하여 잔류 그리드 인티팩트를 억제합니다.
4. 트레이스의 작은 간격은 보간법이나 연결성 기반 채우기로 임명됩니다.
5. 최종 이진 마스크를 출력/마스크/에 저장하고, 대표 샘플에서 마스크 품질을 검증합니다( 그림 7 참조).
   참고: 바운딩 박스 가이드 마스킹을 사용할 때 리드 영역 마스크 생성 세부 사항은 보충 파일 1(알고리즘 3) 을 참조하십시오.

9. 파형 트레이스 추출(Viterbi 기반 경로 추출 또는 개선된 중심선 추출 중 하나를 선택).

1. 비터비 기반 경로 추출을 이용한 파형 트레이스 추출
   1. 불연속점을 불이익으로 삼고 트레이스 유사 픽셀에 유리한 비용 맵을 이진 마스크에 계산합니다.
   2. 비터비 디코딩을 실행하여 납작물을 가로지르는 연속성 제한 경로를 얻으세요.
   3. 추출된 경로를 부드럽게 하고, 필요 시 빠진 구간을 보간하세요.
   4. 경로 좌표를 출력/트레이스/에 저장하고, 검증을 위해 오버레이 플롯을 저장합니다( 그림 8 참조).
      참고: Viterbi 기반 파형 추출 및 시각화 의사코드에 대해서는 보충 파일 2(알고리즘 4) 를 참조하십시오.
2. 개선된 중심선 추출을 이용한 파형 트레이스 추출
   1. 이진 마스크를 스켈레톤화하여 중심선 후보를 얻습니다.
   2. 그리드 잡음으로 인해 발생하는 불필요한 가지와 분리된 부품을 제거하세요.
   3. 중심선을 부드럽게 하고 왼쪽에서 오른쪽으로 연속성을 강제하세요.
   4. 파형 연속성을 유지하기 위해 짧은 누락 구간을 보간합니다.
   5. 연구 데이터셋의 영상 조건에서 중심선 연속성을 최적화하기 위해 데이터셋별 매개변수(예: 이분화 임계값, 형태학적 커널 크기, 가지치 길이, 평활화 강도, 간극 보간 한계)를 조정합니다.
   6. 중심선 좌표를 출력/트레이스/에 저장하고, 검증을 위해 오버레이 플롯을 저장하세요( 그림 9 참조).
      참고: 표준 골격화 기반 중심선 원리를 사용하고, 데이터셋별 매개변수 튜닝과 후처리를 통해 강인성을 향상시키십시오; 중심선 추출, 평활화/보간, 매개변수 설정 및 저장 의사코드에 대해서는 보조 파일 2 (알고리즘 5)를 참조하십시오.

10. 픽셀 트레이스를 보정된 신호(mV 대 시간)로 변환합니다.

1. 보정된 격자 척도(10 mm·mV⁻¹)와 픽셀 대 mm 매핑을 사용하여 픽셀 y 좌표를 전압으로 변환합니다.
2. 보정된 격자 스케일(25 mm·s⁻¹)과 픽셀 대 mm 매핑을 사용하여 픽셀 x 좌표를 시간으로 변환합니다.
3. 각 리드를 고정된 샘플링 속도(예: 100 Hz)로 재샘플링하고 12개 리드 모두를 시간에 정렬합니다.
4. 12리드 신호는 output/signals_csv/에 CSV 파일로 저장하고, 일관된 열명과 단위를 유지하세요.

11. WFDB 레코드 내보내기 및 출력 검증

1. 각 12리드 CSV를 WFDB 라이브러리를 사용해 WFDB 레코드로 변환하세요.
2. 레코드 이름, 샘플링 속도, 신호 이득, 베이스라인, 리드 이름을 포함하는 .hea 헤더 파일을 작성합니다.
3. 일관된 숫자 타입(예: 16비트)과 단위 규칙(예: μV)을 사용하여 .dat 신호 파일을 작성합니다.
4. 각 WFDB 레코드를 다시 불러오고 12개의 리드 모두를 그래프로 표시하여 리드 순서, 명명, 시간 정렬을 확인하세요( 그림 10 참조).
5. 최종 WFDB 출력을 outputs/wfdb/에 저장하고, 검증 플롯도 저장하세요.
   참고: CSV에서 WFDB로의 변환 세부사항과 메타데이터가 있을 경우 선택적 주석 작성에 대해서는 보조 파일 3(알고리즘 7) 을 참고하세요.

12. 체크포인트 및 문제 해결

1. 불안정한 그리드 보정, 누락된 리드, 심각한 폐쇄가 있는 기록은 거부하거나 플래그를 표시하세요.
2. 플래그된 기록에 대해 조정된 매개변수로 전처리와 보정을 다시 실행하세요.
3. 리드가 놓쳤을 때 신도/IoU 임계값을 업데이트하여 탐지를 재실행하세요.
4. 실패 모드와 제외 기준을 결과 표에 요약하세요.

결과

입력 준비
ECG 보고서는 PDF나 스캔에서 표준화된 축 정렬 이미지로 성공적으로 변환되어 후속 처리에 적합했습니다. 종이 심전도의 경우, 300 dpi 해상도의 회색 스케일로 스캔 결과를 얻어 PNG/TIFF로 저장하여 압축 아티팩트를 줄였습니다. 가장 흔한 입력 문제는 (i) PDF 내보내기에서의 과도한 압축, (ii) 선두나 라벨이 제거된 부분 크롭, (iii) 스마트폰 사진에서의 원근 왜곡이었습니다. 크롭 또는 심각한 왜곡으로 영향을 받은 기록은 시각적 체크포인트에서 표시되어 수정되지 않는 한 완전 자동화 처리에서 제외되었습니다.

그리드 검출 및 보정
그리드 추정은 명확하게 보이는 그리드를 가진 ECG 보고서 전반에 걸쳐 픽셀과 물리적 간 일관된 보정 계수를 생성했습니다. 보정은 표준 ECG 설정인 25 mm·s⁻¹ (시간...

토론

본 연구는 PDF 또는 스캔된 종이 기록에서 12리드 ECG 이미지를 그리드 보정, YOLOv12 기반 리드 위치 지정, Viterbi 경로 탐색 또는 개선된 중심선 방법¹을 이용한 파형 추출을 통해 PDF 또는 스캔된 종이 간 자동 디지털 신호로 변환하는 자동화된 종단 간 파이프라인을 제시합니다. 프로토콜에는 디지털화 과정에서 품질 보증을 지원하기 위한 검증 체크포인트(경계 박스 오버레이, 트레이스 오버레이, WFDB 재로드 플롯)가 포함되어 있습니다.

ECG 이미지를 표준화된 시계열 신호로 변환하면 기존 ECG 툴체인과의 상호운용성이 향상되고, 신호 처리 및 머신러닝 워크플로우를 위한 재현 가능한 하위 분석을 가능하게 합니다². 자동 리드 위치 파악과 WFDB 내보내기를 통합함으로써 이 파이프라인은 수동 크롭을 줄이고 실제 임상 레...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
GPU (런타임 테스트)	엔비디아	GeForce RTX 3060 12GB	NVIDIA GeForce RTX 3060 12GB 런타임 테스트용
넘버피	넘버피	1.26.4	수치 처리
오픈CV	오픈CV	4.10.0.84	이미지 전처리 (deskew, 필터링)
운영 체제(런타임 테스트)	마이크로소프트	윈도우 11	런타임 테스트에 사용되는 Windows 11
PDF에서 이미지로 변환하는 변환기	이 프로토콜	V1	300 DPI의 PDF 래스터화; 데이터 가용성에 저장소 URL 제공
파이썬	파이썬 소프트웨어 재단	3.12.5	런타임 환경
파이토치	파이토치	0.5.0	YOLOv12 백엔드
스캐너	정식 설정(캐논)	DR-C240	300 DPI, 그레이스케일, PNG/TIFF 권장
scikit-image	scikit-image	0.25.0	골격화 및 형태 (중심선)
울트라리틱스	울트라리틱스	8.3.155	YOLOv12 훈련/추론 프레임워크
wfdb (파이썬 패키지)	피지오넷	4.1.2	WFDB 내보내기 (.hea/.dat)