Name: Automatyczna digitalizacja 12-odprowadzeniowych elektrokardiogramów (EKG) i standaryzacja bazy danych waveForm (WFDB): wnioski z wietnamskich danych klinicznych (Wideo) | JoVE Journal
Uploaded: 2026-03-13T14:15:00.000+00:00
Duration: 9 min 24 s
Description: Poznaj protokół automatycznej digitalizacji 12-odprowadzeniowych elektrokardiogramów do formatu WFDB. Metoda obejmuje detekcję siatki, lokalizację odprowadzeń i ekstrakcję sygnału, zapewniając interoperacyjność danych klinicznych.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

Autorzy dziękują szpitalowi Tam Duc za udostępnianie raportów EKG bez identyfikacji oraz za wsparcie instytucjonalne podczas zbierania danych.

Uzyskanie zgody Komisji Etyki (Instytucjonalnej Rady Przeglądowej) od szpitala Tam Duc (ID protokołu: 24751791) przed rozpoczęciem retrospektywnego zbierania danych. Usuń identyfikację wszystkich raportów EKG przed analizą, usuwając bezpośrednie identyfikatory (np. imię pacjenta, numer dokumentacji medycznej, datę urodzenia i datę wizyty) i zastępując je nieidentyfikującym identyfikatorem badania. Do opracowywania i oceny modelu używaj wyłącznie danych z odidentyfikowanych EKG.
1. Przygotowanie materiałów, oprogramowania i danych wejściowych
<ol>
	<li>Sklonuj repozytorium projektu i weryfikuj strukturę katalogów, w tym bazy/, core_binary/, dane/, ewaluację/, wyjścia/, public/, results/, weight/ oraz wrapper/, wraz z README.md i requirements.txt (patrz Dostępność danych).<ol>
		<li>Utwórz (lub zweryfikowaj) podfoldery w czasie działania w kategoriach data/ i outputs/, w tym data/raw_pdf/, data/raw_scans/, outputs/images/, outputs/preprocessed/, outputs/kalibred/, outputs/yolo_boxes/, outputs/lead_crops/, outputs/masks/, outputs/traces/, outputs/signals_csv/, oraz outputs/wfdb/.</li>
	</ol>
	</li>
	<li>Zainstaluj wymagane zależności oprogramowania (Python, OpenCV, NumPy/SciPy, PyTorch, Ultralytics (framework treningowy/wnioskujący YOLOv12) /YOLO i WFDB) oraz wersje dokumentów z listy materiałów (patrz Tabela materiałów).</li>
	<li>Umieść dane EKG w danych/raw_pdf/ (raporty PDF) lub danych/raw_scans/ (skany papierowe).</li>
	<li>Skanuj EKG na papierze w skali szarości przy 300 dpi i utrzymuj stronę płasko, aby uniknąć zniekształceń perspektywy (patrz Tabela materiałów). UWAGA: Używaj prędkości i wzmocnienia papieru podanych na wydruku EKG, gdy są dostępne (np. 25 mm·s⁻1, 10 mm·mV⁻1), zgodnie z etapem kalibracji w całym procesie pracy (patrz Rysunek 1).</li>
</ol>
2. Konwertowanie plików PDF EKG na obrazy
<ol>
	<li>Konwertuj każdą stronę PDF EKG na obraz w skali szarości przy 300 dpi.</li>
	<li>Zapisz każdą stronę jako .png (preferowane) lub .tiff używając minimalnej kompresji, aby zachować linie siatki i szczegóły przebiegu.</li>
	<li>Przechowuj wyeksportowane obrazy w outputach/images/ i utrzymuj spójność nazw plików na wszystkich etapach pipeline'u (patrz Rysunek 2 dla reprezentatywnego układu wejścia).</li>
</ol>
3. Obrazy EKG wstępnie (kontrast i szum)
<ol>
	<li>Stosuj CLAHE, aby poprawić słabe linie siatki i kontrast fali.</li>
	<li>Zastosuj lekkie rozmycie Gaussa, aby zmniejszyć szum wysokich częstotliwości, zachowując krawędzie fali.</li>
	<li>Przytnij duże czarne marginegi, zachowując pełną zawartość EKG.</li>
	<li>Obróć obraz do pozycji pionowej, jeśli skan/eksport jest obrócony.</li>
	<li>Zapisz wstępnie przetworzone wyjścia na wyjścia/wstępnie przetworzone/.</li>
	<li>Wizualnie obejrzyj podzbiór wyjść i potwierdzi, że linie siatki i ślady pozostają czytelne (patrz Rysunek 2). UWAGA: Unikaj agresywnego wygładzania, które łamie cienkie segmenty fali.</li>
</ol>
4. Wykrywanie odstępów między siatkami i kalibracja skali (piksel → mm)
<ol>
	<li>Wykrywanie odstępów między siatką za pomocą detekcji linii Hougha dla linii pionowych/poziomych.</li>
	<li>Oszacuj średnią odległość między sąsiadującymi liniami siatki (pikselami) i zapisz wartość odstępów między siatką.</li>
	<li>Jeśli wykrywanie linii Hougha nie zadziała, oszacuj odstępy za pomocą analizy Fouriera rzutów wierszowych/kolumnowych.</li>
	<li>Jeśli analiza Fouriera nie zadziała dla siatek kropkowanych, oszacuj odstępy za pomocą detekcji okręgów Hougha (lub okresowości kropkowej).</li>
	<li>Jeśli wszystkie detektory siatki zawiodą, ustaw wartość awaryjnej odstępu (np. 59 pikseli) i oznacz rekord do przeglądu.</li>
	<li>Oblicz konwersję piksel na mm przy użyciu wykrytego odstępu i standardu papieru EKG (np. 25 mm·s⁻1 i 10 mm·mV⁻1; patrz Rysunek 1).</li>
	<li>Przeskaluj obraz za pomocą interpolacji bikubowej, aby normalizować skalę między rekordami.</li>
	<li>Zapisz skalibrowane obrazy na wyjścia/skalibrowane/ i przechowuj dzienniki kalibracyjne na każdy rekord. UWAGA: Należy odnieść się do Pliku Uzupełniającego 1 (Algorytm 1) dotyczącego pseudokodu zorientowanego na implementację wykrywania odstępów między siatką i kalibracji piksel-fizyka.</li>
</ol>
5. Lokalizuj regiony 12-leadowe za pomocą YOLOv12
<ol>
	<li>Załaduj wytrenowany model YOLOv12 do wykrywania obszarów leadów (patrz Tabela 2 dla parametrów treningowych).<ol>
		<li>Wykorzystaj implementację frameworka treningowego/wnioskowania YOLOv12 bez modyfikacji architektonicznych, aby wykryć i rozdzielić 12 obszarów prowadzących w każdym obrazie EKG w celu dalszej cyfryzacji (patrz Rysunek 1).</li>
	</ol>
	</li>
	<li>Wykonaj wnioskowanie na każdym skalibrowanym obrazie, korzystając z skonfigurowanego rozmiaru wnioskowania (np. imgsz = 1024).</li>
	<li>Zastosuj tłumienie niemaksymalne i zachowaj najwyższy poziom pewności w ramce ograniczającej dla każdej klasy prowadzącej.</li>
	<li>Eksportuj ramki ograniczające do wyjść/yolo_boxes/ w formatie powtarzalnym (TXT/CSV/JSON).</li>
	<li>Zapisz obrazy nakładek pokazujące przewidywane pola i etykiety regionu leadów do weryfikacji (patrz Rysunek 3 i Rysunek 4).</li>
	<li>Oznaczyć rekordy z brakującymi leadami, zduplikowanymi leadami lub niespójnym układem i wykluczyć je z automatycznego eksportu, jeśli jest to konieczne. UWAGA: Zapoznaj się z Plikiem Uzupełniającym 1 (Algorytm 2) dotyczącym pseudokodu ekstrakcji olowu opartego na YOLOv12 oraz obróbki w pudełkach.</li>
</ol>
6. Lokalizacja ikon prowadzących za pomocą YOLOv12
<ol>
	<li>Załaduj wytrenowany model YOLOv12 do wykrywania ikon leadów (patrz Tabela 2 dla parametrów treningowych).<ol>
		<li>Użyj tej samej implementacji frameworka treningowego/wnioskowania YOLOv12 bez modyfikacji architektonicznych, aby wykrywać ikony leadów i zapewnić solidną identyfikację leadów w heterogenicznych układach (patrz Rysunek 1).</li>
	</ol>
	</li>
	<li>Wykonaj wnioskowanie na każdym skalibrowanym obrazie, korzystając z skonfigurowanego rozmiaru wnioskowania i progów podanych w głównym tekście.</li>
	<li>Zastosuj tłumienie nie-maksymalnego i zachowaj najwyższy poziom pewności ramek ograniczających dla każdej klasy ikony prowadzącej.</li>
	<li>Eksportuj pola ograniczające ikony leadów do outputs/yolo_boxes/ w formacie powtarzalnym (TXT/CSV/JSON).</li>
	<li>Zapisz obrazy nakładek pokazujące przewidywane pola ikon leadów oraz etykiety klas do weryfikacji (patrz Rysunek 5 i Rysunek 6).</li>
	<li>Oceń wydajność wykrywania ikon lead-a oraz raportuj wyniki ilościowe i definicje metryk (patrz Tabela 5 i Tabela 6).</li>
	<li>Porównaj wykrywanie obszarów leadów i wykrywanie ikon leadów według tego samego protokołu oceny i konwencji raportowania w czasie działania.</li>
</ol>
7. Uciń każdy region ołowiu i standaryzuj uprawy
<ol>
	<li>Przytnij każdy obszar prowadzący z skalibrowanego obrazu, używając przewidywanych współrzędnych ramek ograniczających.</li>
	<li>Uprawiaj rośliny do jednolitego rozmiaru, gdy obszary ołowiu różnią się między układami.</li>
	<li>Zapisz przycięte obrazy na output/lead_crops/ używając schematu nazewnictwa: recordID_leadName.png.</li>
	<li>Potwierdź, że wszystkie 12 przewodów jest obecnych dla każdego rekordu przed ekstrakcją przebiegu (patrz Tabela 3 i Tabela 4).</li>
</ol>
8. Generuj binarną maskę sygnałową dla każdego urodzenia ołowiu
<ol>
	<li>Normalizuj intensywność każdego utoczenia do 8-bitowego zakresu intensywności.</li>
	<li>Zastosuj progowanie adaptacyjne (lub Otsu), aby oddzielić ślad przebiegu od linii tła/siatki.</li>
	<li>Zastosowanie morfologicznego oczyszczenia (np. otwieranie/zamykanie) w celu zwalczania pozostałych artefaktów siatki.</li>
	<li>Zniweluj niewielkie szczeliny w ścieżce, używając interpolacji lub wypełniania opartego na łączności.</li>
	<li>Zapisz ostateczną maskę binarną na wyjścia/maski/ i weryfikuj jakość maski na reprezentatywnych próbkach (patrz Rysunek 7). UWAGA: Szczegóły generowania masek w regionie leadów przy użyciu maskowania sterowanego skrzynką ograniczającą należy do pliku Supplementary File 1 (Algorytm 3).</li>
</ol>
9. Ekstrakcja śladów przebiegu (wybierz ekstrakcję ścieżek opartą na Viterbi lub ulepszoną ekstrakcję linii środkowej).
<ol>
	<li>Ekstrakcja śladów przebiegu falowego za pomocą ekstrakcji ścieżek opartej na Viterbi<ol>
		<li>Oblicz mapę kosztów na masce binarnej, która karze nieciągłości i faworyzuje piksele przypominające ślady.</li>
		<li>Uruchom dekodowanie Viterbi, aby uzyskać ścieżkę o ograniczeniu ciągłości przez uprawę ołowiową.</li>
		<li>Wygładz wyodrębnioną ścieżkę i interpoluj brakujące segmenty, gdy jest to konieczne.</li>
		<li>Zapisuj współrzędne ścieżek na wyjścia/ślady i zapisuj wykresy nakładek do weryfikacji (patrz Rysunek 8). UWAGA: Zapoznaj się z Plikiem Uzupełniającym 2 (Algorytm 4) dotyczącym pseudokodu ekstrakcji przebiegów i wizualizacji opartego na Viterbi.</li>
	</ol>
	</li>
	<li>Ekstrakcja śladu przebiegu fali za pomocą ulepszonej ekstrakcji linii środkowej<ol>
		<li>Szkieletonizuj maskę binarną, aby uzyskać kandydata na osi środkowej.</li>
		<li>Usuń fałszywe gałęzie i izolowane elementy spowodowane szumem siatki.</li>
		<li>Wygładz linię środkową i wymusz ciągłość od lewej do prawej.</li>
		<li>Interpoluj krótkie brakujące segmenty, aby zachować ciągłość przebiegu.</li>
		<li>Dostrojenie parametrów specyficznych dla zbioru danych (np. progi binarizacji, morfologiczne rozmiary jąder, długość przycinania, wytrzymałość wygładzania oraz granice interpolacji szczeliny), aby zoptymalizować ciągłość linii środkowej w warunkach obrazowania w badanym zbiorze.</li>
		<li>Zapisuj współrzędne osi na wyjścia/ślady/ i zapisuj wykresy nakładek do walidacji (patrz Rysunek 9). UWAGA: Stosuj standardową zasadę osi osi opartą na szkieletyzacji i zwiększaj odporność poprzez dostrajanie parametrów specyficznych dla zbioru danych i postprocessing; odwołuj się do Pliku Uzupełniającego 2 (Algorytm 5) dotyczącego wyodrębniania linii środkowej, wygładzania/interpolacji, ustawień parametrów oraz pseudokodu pamięci.</li>
	</ol>
	</li>
</ol>
10. Przekształc ślady pikseli na skalibrowane sygnały (mV vs czas)
<ol>
	<li>Przelicz współrzędne y piksela na napięcie za pomocą skalibrowanej skali siatki (10 mm·mV⁻1) oraz mapowania piksel na mm.</li>
	<li>Przelicz współrzędne x piksela na czas za pomocą skalibrowanej skali siatki (25 mm·s⁻1) oraz mapowania piksel-do-mm.</li>
	<li>Każdy lead ponownie próbkuje do stałej częstotliwości próbkowania (np. 100 Hz) i wyrównuje wszystkie 12 leadów w czasie.</li>
	<li>Zapisz sygnały 12-leadowe jako pliki CSV w output/signals_csv/ z spójnymi nazwami kolumn i jednostkami.</li>
</ol>
11. Eksport rekordów WFDB i walidacja wyników
<ol>
	<li>Przekonwertuj każdy 12-wyprowadzowy CSV na rekord WFDB za pomocą biblioteki WFDB.</li>
	<li>Zapisz plik nagłówka .hea zawierający nazwę rekordu, częstotliwość próbkowania, wzmocnienia sygnału, linie bazowe oraz nazwy leadów.</li>
	<li>Zapisz plik sygnału .dat używając spójnego typu numerycznego (np. 16-bitowy) i konwencji jednostek (np. μV).</li>
	<li>Przeładuj każdy rekord WFDB i wyrysuj wszystkie 12 leadów, aby potwierdzić kolejność leadów, nazewnictwo i wyrównanie czasu (patrz Rysunek 10).</li>
	<li>Zapisz końcowe wyjścia WFDB na wyjścia/wfdb/ i zapisz wykresy walidacyjne. UWAGA: Szczegóły konwersji CSV do WFDB oraz opcjonalne zapisywanie adnotacji, gdy metadane są dostępne, należy zapoznać się z Plikiem Uzupełniającym 3 (Algorytm 7).</li>
</ol>
12. Punkty kontrolne i rozwiązywanie problemów
<ol>
	<li>Odrzuć lub oznaczyć każdy rekord z zawodną kalibracją siatki, brakującymi przewodami lub poważnymi zasłonami.</li>
	<li>Ponowne wykonanie wstępnego przetwarzania i kalibracji z dostosowanymi parametrami dla oznaczonych rekordów.</li>
	<li>Ponowne uruchamianie wykrywania z aktualizowanymi progami pewności/IoU, gdy leady zostaną przeoczone.</li>
	<li>Podsumuj tryby awarii i kryteria wykluczenia w tabeli wyników.</li>
</ol>

<ol><li>Muhammet, A., Fani, D., Christos, A., Idris, Z., Gruschen, R. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Digitization+and+Linkage+of+PDF+Formatted+12-Lead+Electrocardiograms+in+Adult+Congenital+Heart+Disease%5BTitle%5D)+AND+%22CJC+Pediatric+and+Congenit+Heart+Dis%22%5BJournal%5D)">Digitization and Linkage of PDF Formatted 12-Lead Electrocardiograms in Adult Congenital Heart Disease.</a> CJC Pediatric and Congenit Heart Dis. 4 (5), 263-273 (2025).</li>
<li>Baydoun, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High+precision+digitization+of+paper-based+ECG+records%3A+A+step+toward+smart+machine+learning%5BTitle%5D)+AND+%22IEEE+J+Transl+Eng+Health+Med%22%5BJournal%5D)">High precision digitization of paper-based ECG records: A step toward smart machine learning.</a> IEEE J Transl Eng Health Med. 7, 1-8 (2019).</li>
<li>Demolder, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High+precision+ECG+digitization+using+artificial+intelligence%5BTitle%5D)+AND+%22Biomed+Signal+Process+Control%22%5BJournal%5D)">High precision ECG digitization using artificial intelligence.</a> Biomed Signal Process Control. 72, 103331(2024).</li>
<li>Prim, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+data+pipeline+for+extraction+and+processing+of+electrocardiogram+recordings%5BTitle%5D)+AND+%22Comput+Cardiol%22%5BJournal%5D)">A data pipeline for extraction and processing of electrocardiogram recordings.</a> Comput Cardiol. 48, 1-4 (2021).</li>
<li>Rautela, D., Bajeli, D., Kumar, M., Vaidya, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+cardiovascular+disorders+through+ECG+image+analysis%5BTitle%5D)+AND+%22Knowl-Based+Syst%22%5BJournal%5D)">Identifying cardiovascular disorders through ECG image analysis.</a> Knowl-Based Syst. 186, 104925(2020).</li>
<li>Reyna, M. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ECG-Image-Database%3A+A+dataset+of+ECG+images+with+real-world+imaging+and+patient+annotations%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">ECG-Image-Database: A dataset of ECG images with real-world imaging and patient annotations.</a> arXiv. , (2024).</li>
<li>Ribeiro, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+12-lead+ECG+classification+using+a+convolutional+network+ensemble%5BTitle%5D)+AND+%22Comput+Cardiol%22%5BJournal%5D)">Automatic 12-lead ECG classification using a convolutional network ensemble.</a> Comput Cardiol. 47, 1-4 (2020).</li>
<li>Jessy, K. S. J., Manikandan, D. G., Hemalatha, M. S., Veroncia, M. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+cardiovascular+disease+using+ECG+images+in+machine+learning+and+deep+learning%5BTitle%5D)+AND+%22Int+J+Sci+Res+Sci+Technol%22%5BJournal%5D)">Detection of cardiovascular disease using ECG images in machine learning and deep learning.</a> Int J Sci Res Sci Technol. 11, 131-139 (2024).</li>
<li>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).</li>
<li>Nguyen, C. V., Nguyen, H. N., Nguyen, D. A., Do, C. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((VinDigitizer%3A+An+image+processing+approach+to+digitize+paper+ECG+records%5BTitle%5D)+AND+%22Comput+Cardiol%22%5BJournal%5D)">VinDigitizer: An image processing approach to digitize paper ECG records.</a> Comput Cardiol. 51, 1-4 (2024).</li>
<li>Patil, R., Narkhede, R. D., Vama, B., Suraliya, S., Raut, S. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Auto+lead+extraction+in+ECG+images%3A+Identification+of+ECG+paper+records+using+deep+learning%5BTitle%5D)+AND+%22Biomed+Signal+Process+Control%22%5BJournal%5D)">Auto lead extraction in ECG images: Identification of ECG paper records using deep learning.</a> Biomed Signal Process Control. 72, 103339(2024).</li>
<li>Santamaría, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ECGMiner%3A+A+flexible+software+for+accurately+digitizing+ECG%5BTitle%5D)+AND+%22Comput+Methods+Programs+Biomed%22%5BJournal%5D)">ECGMiner: A flexible software for accurately digitizing ECG.</a> Comput Methods Programs Biomed. 246, 108053(2024).</li>
<li>Shivashankara, K. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+open+ECG-image+toolkit%3A+ECG-ImageNet+%E2%80%93+an+open+image+generation+toolbox+to+facilitate+deep+learning-based+electrocardiogram+digitization%5BTitle%5D)+AND+%22Biomed+Signal+Process.+Control%22%5BJournal%5D)">An open ECG-image toolkit: ECG-ImageNet – an open image generation toolbox to facilitate deep learning-based electrocardiogram digitization.</a> Biomed Signal Process. Control. 72, 103342(2024).</li>
<li>Wang, L. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Paper-recorded+ECG+digitization+method+with+automatic+reference+voltage+selection+for+telemonitoring+and+diagnosis%5BTitle%5D)+AND+%22Diagnostics%22%5BJournal%5D)">Paper-recorded ECG digitization method with automatic reference voltage selection for telemonitoring and diagnosis.</a> Diagnostics. 14 (17), 1910(1910).</li>
<li>Wang, T., Zhang, Y., Liu, X., Huang, Z., Qin, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+Detection+of+Arrhythmias+Using+a+YOLO-Based+Network+with+Long-Duration+ECG+Signals%5BTitle%5D)+AND+%22Eng+Proc%22%5BJournal%5D)">Automatic Detection of Arrhythmias Using a YOLO-Based Network with Long-Duration ECG Signals.</a> Eng Proc. 2 (1), 84(2020).</li>
<li>Wu, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+fully+automated+paper+ECG+digitisation+algorithm+using+deep+learning%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">A fully automated paper ECG digitisation algorithm using deep learning.</a> Sci Rep. 12, 25284(2022).</li>
<li>Júnior, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+automated+machine+learning+method+to+efficiently+classify+the+12-lead+ECG+signal+acquisition+quality%5BTitle%5D)+AND+%22Computing+in+Cardiology%22%5BJournal%5D)">An automated machine learning method to efficiently classify the 12-lead ECG signal acquisition quality.</a> Computing in Cardiology. 50, 1-6 (2023).</li>
<li>Lence, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ECGtizer%3A+A+fully+automated+digitizing+and+signal+recovery+pipeline+for+electrocardiograms%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">ECGtizer: A fully automated digitizing and signal recovery pipeline for electrocardiograms.</a> arXiv. , (2024).</li>
<li>Büyüksolak, O., Öksüz, İ <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pic2Diagnosis%3A+A+Method+for+Diagnosis+of+Cardiovascular+Diseases+from+the+Printed+ECG+Pictures%5BTitle%5D)+AND+%22Proc.+IEEE+EMBC%22%5BJournal%5D)">Pic2Diagnosis: A Method for Diagnosis of Cardiovascular Diseases from the Printed ECG Pictures.</a> Proc. IEEE EMBC. , (2025).</li>
</ol>

Autorzy nie mają konkurujących ze sobą interesów finansowych ani relacji osobistych, które mogłyby wydawać się wpływać na pracę opisaną w tym artykule.

Niniejsze badanie przedstawia zautomatyzowany pipeline end-to-end, który konwertuje 12-odprowadzeniowe obrazy EKG z plików PDF lub zeskanowanych papierowych rekordów na cyfrowe sygnały zgodne z WFDB poprzez kalibrację siatki, lokalizację przełów opartą na YOLOv12 oraz ekstrakcję przebiegów za pomocą wyszukiwania ścieżek Viterbiego lub ulepszonej metody liniiśrodkowej 1. Protokół zawiera punkty kontrolne walidacyjne (nakładki ramek ograniczających, nakładki śledzenia oraz wykresy WFDB reload), wspi...

12-odprowadzeniowy elektrokardiogram (EKG) jest fundamentem oceny kardiologii i pozostaje szeroko stosowany do badań przesiewowych, monitorowania oraz podejmowania decyzji klinicznych1. Pomimo trwających działań digitalizacyjnych, wiele instytucji nadal przechowuje EKG jako drukowane papierowe zapisy lub rasteryzowane obrazy osadzone w raportach PDF, co ogranicza wyszukiwalność i komplikuje podłużne śledzenie2. Co ważne, przechowywanie oparte na obrazach uniemożliwia bezpośrednie wykorzystanie standaryzowanych narzędzi EKG oraz potoków uczenia maszynowego, które wymagają skalibrowanych sygnałów szeregów czasowych zamiast obrazów3. Głównym celem tego protokołu jest zapewnienie powtarzalnej i standaryzowanej metody konwersji obrazów elektrokardiogramu na skalibrowane sygnały cyfrowe odpowiednie do dalszej analizy obliczeniowej.
Automatyczna digitalizacja EKG ma na celu rekonstrukcję sygnałów napięciowo-czasowych z zeskanowanych obrazów EKG4. Jednak rzeczywiste badania kliniczne EKG często wykazują niejednorodne układy raportów, zmienną widoczność siatki, artefakty kompresji, niejednolite oświetlenie oraz dodatkowe oznaczenia, takie jak stempli czy adnotacje5. Czynniki te mogą pogarszać lokalizację ołowiu i śledzenie przebiegów falowych, ograniczając powtarzalność między instytucjami i dostawcami urządzeń6. Dlatego praktyczny proces cyfryzacji powinien zapewniać solidną kalibrację siatki, niezawodne rozdzielanie i etykietowanie przewodów oraz standaryzowany eksport do szeroko stosowanego formatu sygnału, takiego jak WFDB7. Standaryzowane formaty cyfrowe poprawiają interoperacyjność między instytucjami i ułatwiają powtarzalną analizę przy użyciu ugruntowanych bibliotek przetwarzania sygnałów elektrokardiogramów.
Zaproponowano kilka narzędzi do digitalizacji EKG (Tabela 1), jednak wdrożenie kliniczne pozostaje wyzwaniem, ponieważ wydajność może być wrażliwa na jakość badań i zmienność układu 8,9,10. Najnowsze badania analizowały także automatyczne wyciąganie ołowiu z papierowych zapisów EKG za pomocą głębokiego uczenia, co dodatkowo podkreśla potrzebę solidnego parsowania przy różnych układach i artefaktach11. Powiązane oprogramowanie do cyfryzacji zostało również wprowadzone w celu poprawy odporności w warunkach heterogenicznych warunków klinicznych12. Równolegle wprowadzono otwarte zestawy narzędzi i zasoby do badań obrazów EKG, aby ułatwić rozwój metod i benchmarking13. W przeciwieństwie do istniejących narzędzi do digitalizacji, które mogą być wrażliwe na zmienność układu lub ograniczone do określonych formatów skanów, protokół ten integruje kalibrację siatki, automatyczną lokalizację ołowiu oraz standaryzowany eksport WFDB, aby zwiększyć odporność na różnorodne raporty kliniczne. W tej pracy koncentrujemy się na pipeline end-to-end, który celuje w rzeczywiste pliki PDF i zeskanowane rekordy EKG, kładzie nacisk na powtarzalność oraz generuje sygnały wieloleadowe zgodne z WFDB do analizy dalszej.
Proponujemy w pełni zautomatyzowany i powtarzalny protokół do konwersji obrazów raportów EKG 12-odprowadzeniowych na cyfrowe sygnały zgodne z WFDB. Protokół integruje (i) kalibrację piksel-fizyczną opartą na siatce przy użyciu standardowych ustawień EKG (25 mm·s-1, 10 mm·mV-1), (ii) lokalizację obu obszarów prowadzących i ikon prowadzących opartą na YOLOv12, wspierającą solidną identyfikację przebiegów w heterogenicznych układach raportów, oraz (iii) dwie alternatywne procedury ekstrakcji przebiegów, w tym ulepszoną metodę linii środkowej zaprojektowaną w celu poprawy ciągłości śladu przy zmiennej grubości linii i małych nieciągłościach. Te elementy są zgodne z wcześniejszymi badaniami nad ekstrakcji sygnałów, solidnym oprogramowaniem do cyfryzacji oraz praktycznymi strategiami cyfryzacji w heterogenicznych warunkach klinicznych14. Powstałe rekordy WFDB umożliwiają dalszą analizę przy użyciu standardowych narzędzi EKG. Protokół ten jest szczególnie odpowiedni do retrospektywnej cyfryzacji archiwalnych raportów z elektrokardiogramów przechowywanych jako zeskanowane papierowe zapisy lub rasteryzowane pliki PDF i może wymagać adaptacji, gdy linie siatki są nieobecne lub są mocno zniekształcone.

<table><tbody><tr><td>GPU (testy w czasie uruchomienia)</td><td>NVIDIA</td><td>GeForce RTX 3060 12 GB</td><td>NVIDIA GeForce RTX 3060 12 GB używany do testów w czasie rzeczywistym</td></tr><tr><td>NumPy</td><td>NumPy</td><td>1.26.4</td><td>Przetwarzanie numeryczne</td></tr><tr><td>OpenCV</td><td>OpenCV</td><td>4.10.0.84</td><td>Wstępne przetwarzanie obrazu (deskew, filtrowanie)</td></tr><tr><td>System operacyjny (testy w czasie rzeczywistym)</td><td>Microsoft</td><td>Windows 11</td><td>Windows 11 używany do testów w czasie działania</td></tr><tr><td>Konwerter PDF na obraz</td><td>Ten protokół</td><td>V1</td><td>rasteryzacja PDF przy 300 DPI; podaj adres URL repozytorium w Dostępności danych</td></tr><tr><td>Python</td><td>Python Software Foundation</td><td>3.12.5</td><td>Środowisko wykonawcze</td></tr><tr><td>PyTorch</td><td>PyTorch</td><td>0.5.0</td><td>Backend dla YOLOv12</td></tr><tr><td>Skaner</td><td>Kanon</td><td>DR-C240</td><td>300 DPI, odcienie szarości, PNG/TIFF zalecane</td></tr><tr><td>scikit-image</td><td>scikit-image</td><td>0.25.0</td><td>Szkieletyzacja i morfologia (linia środkowa)</td></tr><tr><td>Ultralityki</td><td>Ultralityki</td><td>8.3.155</td><td>Framework szkoleniowy/wnioskowania YOLOv12</td></tr><tr><td>wfdb (pakiet Python)</td><td>PhysioNet</td><td>4.1.2</td><td>Eksport WFDB (.hea/.dat)</td></tr></tbody></table>

automatyczna digitalizacja 12-odprowadzeniowych elektrokardiogramów (ekg) i standaryzacja bazy danych waveform (wfdb): wnioski z wietnamskich danych klinicznych

Automated 12-Lead Electrocardiograms (ECG) Digitization and WaveForm DataBase (WFDB) Standardization: Insights from Vietnamese Clinical Data

Wiele klinik nadal archiwizuje 12-odprowadzeniowe elektrokardiogramy (EKG) jako drukowane papierowe zapisy lub obrazy rastrowe osadzone w raportach PDF, co ogranicza interoperacyjność i dalszą analizę obliczeniową. Przedstawiamy tutaj powtarzalny protokół digitalizacji, który konwertuje obrazy raportów EKG na cyfrowe sygnały zgodne z WaveForm DataBase (WFDB) do standaryzowanego wykorzystania w dalszej fazie. Protokół składa się z (i) wykrywania siatki i kalibracji piksel-fizyka, (ii) automatycznej lokalizacji i oznaczania 12 obszarów wyprowadzenia z wykorzystaniem modelu detekcji obiektów, (iii) wstępnego przetwarzania i normalizacji sygnału oraz (iv) ekstrakcji przebiegów przy użyciu metody ścieżki ograniczonej ciągłości (Viterbi) lub ulepszonego podejścia opartego na osi osi. Workflow został zaprojektowany tak, aby obsługiwać różnorodne układy kliniczne, zmienną widoczność siatki oraz wspólne artefakty obrazowe, a także obejmuje wizualne punkty kontrolne kontroli jakości na każdym etapie. Protokół generuje wyrównane w czasie rekordy 12-wyprowadzkowe WFDB, odpowiednie do powtarzalnej analizy w procesie przetwarzania sygnałów i potokach uczenia maszynowego.

Przygotowanie danych wejściowych 
Raporty EKG zostały pomyślnie przekonwertowane z plików PDF lub skanów na ustandaryzowane obrazy wyrównane do osi, odpowiednie do dalszego przetwarzania. W przypadku papierowych zapisów EKG skany pozyskano w rozdzielczości 300 dpi w skali szarości i zapisano w formacie PNG/TIFF, aby zredukować artefakty kompresji. Najczęstsze problemy z danymi wejściowymi obejmowały (i) nadmierną kompresję wynikającą z eksportu do PDF, (ii) częściowe przycięcie, które usunęło obszary ...

Przedstawiamy tutaj powtarzalny protokół do konwersji 12-odprowadzeniowych obrazów EKG z rzeczywistych raportów klinicznych na skalibrowane, zgodne z WFDB sygnały cyfrowe do standaryzowanej analizy dalszej, integrując kalibrację siatki, lokalizację ołowiu opartą na YOLOv12, ekstrakcję fali (Viterbi lub ulepszona osi osi) oraz punkty kontrolne wizualnej walidacji.

Automatyczna digitalizacja 12-odprowadzeniowych elektrokardiogramów (EKG) i standaryzacja bazy danych waveForm (WFDB): wnioski z wietnamskich danych klinicznych

Many clinics still archive 12-lead electrocardiograms (ECGs) as printed paper records or raster images embedded in PDF reports, which limits ...

Przedstawiamy automatyczną metodę konwersji obrazów EKG na standaryzowane sygnały WFDB do celów klinicznych i badawczych. Istniejące metody mają trudności z szumami i zmiennością układu, a nasze podejście poprawia odporność i standaryzację.Na początek należy umieścić wszystkie zgromadzone elektrokardiogramy (EKG), dostarczone jako obrazy PDF w skali szarości o rozdzielczości 300 dpi, w folderze o nazwie Data. Za pomocą języka Python należy otworzyć pliki PDF z EKG z folderu danych i wybrać plik PDF do analizy. Każdą stronę pliku PDF należy wyrenderować w rozdzielczości 300 dpi i przekonwertować na skalę szarości. Przetworzoną stronę EKG należy zapisać jako obraz JPG, stosując minimalną kompresję w celu zachowania jakości obrazu. Wygenerowany obraz należy zapisać w wyznaczonym folderze obrazów wyjściowych, zachowując nazwę pliku zgodną z oryginalnym plikiem PDF. Do obrazu EKG w skali szarości należy zastosować algorytm CLAHE w celu wzmocnienia lokalnego kontrastu oraz poprawy widoczności słabych linii siatki i cech przebiegu fali, przy jednoczesnym zachowaniu szczegółów obrazu niezbędnych do dalszej analizy. Należy zastosować lekkie rozmycie Gaussa, aby zredukować szum wysokoczęstot

automated-12-lead-electrocardiograms-ecg-digitization-waveform

Research

JoVE Journal

Engineering

Inżynieria

Ciągłe monitorowanie elektrokardiograficzne (EKG) z 12 odprowadzeniami może zidentyfikować przejściowe niedokrwienie mięśnia sercowego, nawet gdy przebiega bezobjawowo, wśród pacjentów z podejrzeniem ostrego zespołu wieńcowego (OZW). W tym artykule opisujemy naszą metodę inicjowania monitorowania pacjenta za pomocą urządzenia holterowskiego, pobierania danych EKG do analizy off-line oraz sposobu wykorzystania oprogramowania EKG do identyfikacji przejściowego niedokrwienia.

Metoda badawcza wykrywania przemijającego niedokrwienia mięśnia sercowego u pacjentów z podejrzeniem ostrego zespołu wieńcowego za pomocą ciągłej analizy odcinka ST

Tutaj prezentujemy niezawodną, minimalnie inwazyjną i opłacalną metodę rejestrowania i interpretacji elektrokardiogramów u żywych, znieczulonych dorosłych ryb pręgowanych.

Elektrokardiografia powierzchniowa in vivo u dorosłych danio pręgowanych

Opisujemy protokół rejestracji trójodprowadzeniowego dwubiegunowego elektrokardiogramu przez smartwatch, który działa identycznie jak przewody Einthovena ze standardowych elektrokardiogramów. Dzięki temu pacjenci mogą samodzielnie rejestrować elektrokardiogramy natychmiast po wystąpieniu objawów.

Rejestr bipolarnego trójodprowadzeniowego elektrokardiogramu skierowany przez pacjenta przy użyciu smartwatcha z funkcją EKG

Tutaj prezentujemy krok po kroku protokół dla półautomatycznego podejścia do analizy mysich danych z długoterminowej elektrokardiografii (EKG) dla podstawowych parametrów EKG i częstych zaburzeń rytmu serca. Dane są uzyskiwane przez wszczepialne nadajniki telemetryczne u żywych i przytomnych myszy i analizowane za pomocą Ponemah i jego modułów analitycznych.

Analiza długoterminowych zapisów elektrokardiograficznych w celu wykrycia arytmii u myszy

To badanie wykorzystało zaawansowane techniki informatyczne do porównania czasu trwania procedury u pacjentów poddawanych ablacji radiofrekwalnej leczonych aktywnym chłodzeniem przełyku z tymi, którzy byli leczeni tradycyjnym monitorowaniem temperatury przełyku. Wykorzystano zapytanie kontekstowe, analizę przepływu pracy i mapowanie danych. Wyniki wykazały skrócenie czasu zabiegu i zmienność dzięki aktywnemu chłodzeniu.

Skrócony czas i zmienność zabiegu dzięki aktywnemu chłodzeniu przełyku podczas ablacji prądem o częstotliwości radiowej w przypadku migotania przedsionków

To badanie wprowadza nowatorskie podejście do mapowania serca w czasie rzeczywistym przy użyciu nieinwazyjnego, bezobrazowego systemu obrazowania elektrokardiograficznego. System ten umożliwia pozyskiwanie elektrofizjologicznych map serca bez konieczności wykonywania przedzabiegowej tomografii komputerowej lub rezonansu magnetycznego, umożliwiając skuteczne prowadzenie procedur kardiologicznych, takich jak implanty ablacji i terapii resynchronizującej serce.

Mapowanie serca w czasie rzeczywistym za pomocą nieinwazyjnego systemu obrazowania elektrokardiograficznego bez obrazu

Prezentujemy nieniszczącą metodę próbkowania zmienności przestrzennej w kierunku światła rozproszonego z materiałów strukturalnie złożonych. Utrzymując materiał w stanie nienaruszonym, zachowujemy rozpraszanie w skali grubej, jednocześnie rejestrując precyzyjne wkłady kierunkowe za pomocą obrazowania o wysokiej rozdzielczości. Wyniki są wizualizowane w oprogramowaniu w biologicznie istotnych pozycjach i skalach.

Pomiar przestrzennego i kierunkowego rozpraszania światła od materiału biologicznego

Artykuł opisuje procedurę przechowywania pakietów danych optycznych o dowolnej modulacji, długości fali i szybkości transmisji danych. Pakiety te są podstawą nowoczesnej telekomunikacji.

Quasi-light storage dla optycznych pakietów danych

Pobieranie próbek gazu z płomieni na skalę laboratoryjną z analizą online wszystkich gatunków za pomocą spektrometrii mas to skuteczna metoda badania złożonej mieszaniny związków chemicznych występujących podczas procesów spalania. W połączeniu z przestrajalną miękką jonizacją za pomocą generowanego przez synchrotron promieniowania próżniowo-ultrafioletowego, technika ta dostarcza informacji o rozdzielczości izomerów i potencjalnie wolnych od fragmentów widm masowych.

Eksperymenty z płomieniem w zaawansowanym źródle światła: nowe spojrzenie na procesy tworzenia sadzy

Procedura pozyskiwania danych do określania wbudowanych funkcji czułości jest opisana. Dane są zbierane, a reprezentatywne wyniki są przedstawiane dla łopaty turbiny wiatrowej na skalę mieszkaniową.

Protokół akwizycji danych do określania osadzonych funkcji poufności

Poznaj protokół automatycznej digitalizacji 12-odprowadzeniowych elektrokardiogramów do formatu WFDB. Metoda obejmuje detekcję siatki, lokalizację odprowadzeń i ekstrakcję sygnału, zapewniając interoperacyjność danych klinicznych.

Automatyczna digitalizacja 12-odprowadzeniowych elektrokardiogramów (EKG) i standaryzacja bazy danych waveForm (WFDB): wnioski z wietnamskich danych klinicznych (Wideo) | JoVE Journal

Automatyczna digitalizacja 12-odprowadzeniowych elektrokardiogramów (EKG) i standaryzacja bazy danych waveForm (WFDB): wnioski z wietnamskich danych klinicznych

Przeglądaj więcej filmów