Yöntem makalesi

Otomatik 12-Lead Elektrokardiyogram (EKG) Dijitalizasyonu ve WaveForm DataBase (WFDB) Standartlaştırması: Vietnam Klinik Verilerinden İçgörüler

DOI:

10.3791/70359

⸱

13 Mart 2026

 ,  ,  , 
1Faculty of Mechanical Engineering, Saigon Technology University, 2Faculty of Information Technology, Industrial University of Ho Chi Minh City, 3Faculty of Information Technology, FPT University

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Burada, gerçek dünya klinik raporlarından alınan 12-lead-EKG görüntülerini kalibre, WFDB uyumlu dijital sinyallere dönüştüren tekrarlanabilir bir protokol sunuyoruz; bu sinyaller standart aşağı akış analizi, ızgara kalibrasyonu, YOLOv12 tabanlı lead lokalizasyonu, dalgaform çıkarımı (Viterbi veya geliştirilmiş merkez çizgi) ve görsel doğrulama kontrol noktalarını entegre ediyor.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Birçok klinik, 12 lead-elektrokardiyogramları (EKG) basılı kağıt kayıtları veya PDF raporlarına gömülü raster görüntüler olarak arşivliyor; bu da birlikte çalışabilirliği ve sonraki hesaplama analizini sınırlamaktadır. Burada, EKG rapor görüntülerini standartlaştırılmış aşağı akış kullanımı için WaveForm DataBase (WFDB) uyumlu dijital sinyallere dönüştüren tekrarlanabilir bir dijitalleştirme protokolü sunuyoruz. Protokol, (i) ızgara tespiti ve pikselden fiziksel kalibrasyona, (ii) nesne algılama modeliyle 12 lead bölgenin otomatik lokalizasyonu ve etiketlenmesi, (iii) sinyal ön işleme ve normalizasyonu ile (iv) ya süreklilik kısıtlı yol yöntemi (Viterbi) ya da geliştirilmiş merkez çizgisi tabanlı yaklaşımla dalgaform çıkarımı içerir. İş akışı, heterojen klinik düzenleri, değişken ızgara görünürlüğünü ve yaygın görüntüleme artefaktlarını yönetmek üzere tasarlanmıştır ve her aşamada kalite kontrolü için görsel kontrol noktaları içerir. Protokol, sinyal işleme ve makine öğrenimi boru hatlarında tekrarlanabilir analizler için uygun zamana uygun 12 leadlı WFDB kayıtları üretir.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

12-lead elektrokardiyogram (EKG), kardiyovasküler değerlendirmenin temel taşlarından biridir ve tarama, izleme ve klinik karar alma süreçlerinde yaygın olarak kullanılmaktadır1. Devam eden dijitalleştirme çabalarına rağmen, birçok kurum EKG'leri basılı kağıt kayıtlar veya PDF raporlarına gömülü rasterize görseller olarak saklar; bu da arama edilebilirliğini azaltır ve uzunlamasına takibikarmaşıklaştırır 2. Önemli olarak, görüntü tabanlı depolama standartlaştırılmış EKG araç setlerinin ve görüntüler yerine kalibre edilmiş zaman serisi sinyalleri gerektiren makine öğrenimi boru hatlarının doğrudan kullanımını engeller3. Bu protokolün genel amacı, elektrokardiyogram görüntülerini kalibre edilmiş dijital sinyallere dönüştürülmek için tekrarlanabilir ve standartlaştırılmış bir yöntem sağlamaktır; bu yöntem sonraki hesaplama analizine uygundur.

Otomatik EKG dijitalleştirmesi, taranmış EKG görüntülerinden gerilim-zaman sinyallerini yeniden yapılandırmayıamaçlar 4. Ancak, gerçek dünya klinik EKG taramaları genellikle heterojen rapor düzenleri, değişken ızgara görünürlüğü, sıkıştırma artefaktları, düzensiz aydınlatma ve pullar veya açıklamalar gibi ek işaretler gösterir5. Bu faktörler, kurşun yerelleştirmesini ve dalga formu takimini zayıflatabilir, kurumlar ve cihaz üreticileri arasında tekrarlanabilirliğisınırlayabilir 6. Bu nedenle, pratik bir dijitalleştirme iş akışı sağlam ızgara kalibrasyonu, güvenilir lead ayırma ve etiketleme ile WFDB7 gibi yaygın olarak benimsenen bir sinyal formatına standartlaştırılmış ihracat sağlamalıdır. Standartlaştırılmış dijital formatlar, kurumlar arasında birlikte çalışabilirliği artırır ve yerleşik elektrokardiyogram sinyal işleme kütüphaneleri kullanılarak tekrarlanabilir analizi kolaylaştırır.

Birkaç EKG dijitalleştirme aracı önerilmiş (Tablo 1), ancak klinik uygulama hâlâ zordur çünkü performans tarama kalitesi ve yerleşim değişkenliğineduyarlı olabilir 8,9,10. Son çalışmalar ayrıca derin öğrenme kullanarak EKG kağıt kayıtlarından otomatik kurşun çıkarımı araştırmış ve çeşitli düzenler ve eserler altında sağlam ayrıştırma ihtiyacını daha davurgulamaktadır 11. Heterojen klinik koşullarda dayanıklılığı artırmak için ilgili dijitalleştirme yazılımları datanıtılmıştır 12. Paralel olarak, yöntem geliştirme ve kıyaslama kolaylaşmak için EKG görüntüleme araştırması için açık araç setleri ve kaynaklartanıtılmıştır 13. Mevcut dijitalleştirme araçlarının düzen değişkenliğine duyarlı veya belirli tarama formatlarıyla sınırlı olabileceği aksine bu protokol, heterojen klinik raporlarda sağlamlığı artırmak için ızgara kalibrasyonu, otomatik lead lokalizasyonu ve standart WFDB ihracatını entegre eder. Bu çalışmada, gerçek dünya EKG PDF'lerini ve taranmış kayıtları hedefleyen, tekrarlanabilirliği vurgulayan ve WFDB uyumlu çoklu lider sinyalleri aşağı akış analizi için üreten uçtan uca bir boru hattına odaklanıyoruz.

12-lead-EKG rapor görüntülerini WFDB uyumlu dijital sinyallere dönüştürmek için tamamen otomatik ve tekrarlanabilir bir protokol öneriyoruz. Protokol, (i) standart EKG ayarları (25 mm·s-1, 10 mm·mV-1) kullanılarak ızgara tabanlı piksel-fiziksel kalibrasyonu, (ii) heterojen rapor düzenlerinde sağlam kroş tanımlamayı desteklemek için hem kurşun bölgelerinin hem de kurşun ikonlarının YOLOv12 tabanlı lokalizasyonunu ve (iii) değişken çizgi kalınlığı ve küçük kesintiler altında iz sürekliliğini artırmak için geliştirilmiş bir merkez çizgi yöntemi dahil olmak üzere iki alternatif dalgaform çıkarma prosedürünü entegre eder. Bu bileşenler, sinyal çıkarma çalışmaları, sağlam dijitalleştirme yazılımı ve heterojen klinik koşullar altında pratik dijitalleştirme stratejileri üzerine önceki çalışmalarlauyumludur 14. Ortaya çıkan WFDB kayıtları, standart EKG araç zincirleriyle analizi mümkün kılar. Bu protokol, özellikle taranmış kağıt kayıtları veya rasterize PDF olarak saklanan arşivlenmiş elektrokardiyogram raporlarının geriye dönük dijitalleştirmesi için uygundur ve ızgara çizgileri yok veya ciddi şekilde bozulduğunda uyarlama gerektirebilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Geriye dönük veri toplamadan önce Tam Duc Hastanesi'nden (Protokol Kimliği: 24751791) Etik Komitesi (Kurumsal İnceleme Kurulu) onayını alın. Analiz öncesi tüm EKG raporlarını doğrudan tanımlayıcılar (örneğin, hasta adı, tıbbi kayıt numarası, doğum tarihi ve ziyaret tarihi) çıkararak ve bunların yerine tanımlama olmayan bir çalışma kimliği ile değiştirin. Model geliştirme ve değerlendirme için yalnızca kimliği yokmuş EKG verileri kullanın.

1. Materyalleri, yazılımları ve girdileri hazırlayın

  1. Proje deposunu klonlayın ve dizin yapısını, taban/, core_binary/, data/, değerlendirme/, çıktılar/, public/, results/, weight/ ve wrapper/, ayrıca README.md ve requirements.txt dahil olmak üzere dizin yapısını doğrulayın (bkz. Veri Erişilebilirliği).
    1. data/raw_pdf/, data/raw_scans/, outputs/images/, outputs/preprocessored/, outputs/calibrated/, outputs/yolo_boxes/, outputs/lead_crops/, outputs/masks/, outputs//, outputs/traces/, outputs/signals_csv/ ve outputs/wfdb/ dahil olmak üzere çalışma zamanı alt klasörleri oluşturun (veya doğrulayın).
  2. Gerekli yazılım bağımlılıklarını (Python, OpenCV, NumPy/SciPy, PyTorch, Ultralytics (YOLOv12 eğitim/çıkarım çerçevesi) /YOLO ve WFDB) ve materyal listesinde belge sürümlerini yükleyin ( bkz. Materyaller Tablosu).
  3. EKG girdilerini data/raw_pdf/ (PDF raporları) veya data/raw_scans/ (kağıt taramaları) içine yerleştirin.
  4. Kağıt EKG'lerini gri tonlamada 300 dpi'de tarayın ve perspektif bozulmasını önlemek için sayfayı düz tutun ( bkz. Materyaller Tablosu).
    NOT: EKG çıktısında bildirilen kağıt hızı ve kazancı kullanılabilir olduğunda kullanın (örneğin, 25 mm·s⁻1, 10 mm·mV⁻1), genel iş akışındaki kalibrasyon aşamasıyla uyumlu ( bkz. Şekil 1).

2. EKG PDF'lerini görüntüye dönüştürün

  1. Her EKG PDF sayfasını 300 dpi'de gri tonlu bir görüntüye dönüştürün.
  2. Her sayfayı .png (tercihli) veya .tiff olarak kaydederek ızgara çizgilerini ve dalga formu detaylarını korumak için minimum sıkıştırma kullanın.
  3. Dışa aktarılan görüntüleri çıktılar/images/ içinde sakla ve dosya adlarını tüm boru hattı aşamalarında tutarlı tutun (temsilci giriş düzeni için Şekil 2'ye bakınız).

3. EKG görüntülerini ön işleme (kontrast ve gürültü)

  1. Soluk ızgara çizgilerini ve dalga formu kontrastını artırmak için CLAHE uygulayın.
  2. Yüksek frekanslı gürültüyü azaltmak ve dalga formu kenarlarını korumak için hafif bir Gauss bulanıklığı uygulayın.
  3. Büyük siyah kenarları kırpın ve tam EKG içerik alanını koruyun.
  4. Tarama/dışa aktarma işlemi döndürülüyorsa görüntüyü dik bir konuma döndürün.
  5. Önceden işlenmiş çıktıları çıktılar/önceden işlenmiş/ sayfalarına kaydet.
  6. Çıktıların bir alt kümesini görsel olarak inceleyin ve ızgara çizgilerinin ve izlerin okunabilir kaldığını doğrulayın ( bkz. Şekil 2).
    DIKKAT: İnce dalga formu segmentlerini kıran agresif yumuşatmadan kaçının.

4. Şebeke aralığını tespit edin ve ölçeği kalibre edin (piksel → mm)

  1. Diki/yatay ızgara çizgileri için Hough çizgi algılama kullanılarak ızgara aralığını tespit edin.
  2. Bitişik ızgara çizgileri (pikseller) arasındaki ortalama mesafeyi tahmin edin ve ızgara aralığı değerini kaydedin.
  3. Hough hat tespiti başarısız olursa, sıra/sütun projeksiyonlarının Fourier analiziyle aralık tahmini yapın.
  4. Fourier analizi noktalı ızgaralar için başarısız olursa, Hough daire tespiti (veya nokta periyodisitesi) kullanarak aralık tahmini yapın.
  5. Tüm ızgara dedektörleri başarısız olursa, bir yedek aralık değeri (örneğin 59 piksel) ayarlayın ve kaydı inceleme için işaretleyin.
  6. Pikselden mm'ye dönüşümü tespit edilen aralık ve EKG kağıt standardı (örneğin, 25 mm·s⁻1 ve 10 mm·mV⁻1; bkz. Şekil 1) kullanarak hesaplayın.
  7. Kayıtlar arasında ölçeki normalleştirmek için bikübik interpolasyon kullanarak görüntüyü yeniden ölçeklendirin.
  8. Kalibre edilmiş görüntüleri çıktılara/kalibrasyona/kayda kaydedin ve kalibrasyon kayıtlarını kaydedin.
    NOT: Şebeke aralığı algılama ve pikselden fiziksel kalibrasyonun uygulama odaklı sözde kodu için Ek Dosya 1'e (Algoritma 1 ) bakınız.

5. YOLOv12 kullanarak 12 lead-bölgeleri yerelleştirin

  1. Kurşun-bölge tespiti için eğitilen YOLOv12 modelini yükleyin (eğitim parametreleri için Tablo 2'ye bakınız).
    1. YOLOv12 eğitim/çıkarım çerçevesi uygulamasını mimari değişiklikler olmadan kullanarak her EKG görüntüsündeki 12 kurşun bölgeyi tespit edip ayırarak sonraki dijitalleştirme için (bkz. Şekil 1).
  2. Her kalibre edilmiş görüntüde yapılandırılmış çıkarım boyutu kullanılarak çıkarım yapılabilir (örneğin, imgsz = 1024).
  3. Maksimum olmayan baskı uygulayın ve her lider sınıf için en yüksek güvenliğe sahip sınırlayıcı kutuyu kalın.
  4. Sınırlayıcı kutuları tekrarlanabilir bir formatta (TXT/CSV/JSON) çıktılar/yolo_boxes/ olarak dışa aktarın.
  5. Tahmin edilen kurşun-bölge kutularını ve etiketleri gösteren üst örtü görüntülerini doğrulama için kaydedin ( bkz. Şekil 3 ve Şekil 4).
  6. Eksik lead, tekrarlanmış leadler veya tutarsız düzen içeren kayıtları işaretleyin ve gerekirse otomatik dışa aktarmadan çıkarın.
    NOT: YOLOv12 tabanlı lead bölgesi çıkarımı ve kutu sonrası işlem için Ek Dosya 1'e (Algoritma 2 ) bakınız.

6. Lead ikonlarını YOLOv12 kullanarak yerelleştirin

  1. Eğitilen YOLOv12 modelini lead-icon algılaması için yükleyin (eğitim parametreleri için Tablo 2'ye bakınız).
    1. Heterojen düzenlerde sağlam lead tanımlama için lead ikonlarını tespit etmek için aynı YOLOv12 eğitim/çıkarım çerçevesi uygulamasını mimari değişiklikler olmadan kullanın ( bkz. Şekil 1).
  2. Her kalibre edilmiş görüntüde ana metinde bildirilen yapılandırılmış çıkarım boyutu ve eşikleri kullanılarak çıkarım yapın.
  3. Maksimum olmayan baskı uygulayın ve lead-icon sınıfı için en yüksek güvenliğe sahip sınırlayıcı kutuyu korun.
  4. Lead-icon sınırlayıcı kutuları çıktılar/yolo_boxes/ olarak tekrarlanabilir bir formatta (TXT/CSV/JSON) dışa aktarın.
  5. Doğrulama için öngörülen lider-ikon kutularını ve sınıf etiketlerini gösteren üst üste görüntüleri kaydedin ( bkz. Şekil 5 ve Şekil 6).
  6. Lead-icon tespit performansını değerlendirin ve nicel sonuçlar ile metrik tanımları raporlayın ( bkz. Tablo 5 ve Tablo 6).
  7. Aynı değerlendirme protokolü ve çalışma zamanı raporlama konvansiyonu altında lider-bölge tespiti ve lead-icon algılamasını karşılaştırın.

7. Her kurşun bölgesini kırpın ve ürünleri standartlaştırın

  1. Tahmin edilen sınırlayıcı kutu koordinatlarını kullanarak kalibre edilmiş görüntüdeki her lead bölgesini kırpın.
  2. Kurşun bölgeleri düzen düzenlerinde değişiklik gösterdiğinde ekinleri tutarlı bir boyuta getirin.
  3. Kırpılmış görüntüleri lead_crops//'ye şu adlandırma şemasını kullanarak kaydedin: recordID_leadName.png.
  4. Dalga formu çıkarımından önce her kayıt için tüm 12 kabın mevcut olduğundan emin olun ( bkz. Tablo 3 ve Tablo 4).

8. Her lead crop için ikili sinyal maskesi oluşturun

  1. Her lead crop yoğunluğunu 8 bitlik bir yoğunluk aralığına normalleştirin.
  2. Dalga formu izini arka plan/ızgara çizgilerinden ayırmak için adaptif eşik (veya Otsu eşik belirleme) uygulayın.
  3. Morfolojik temizlik (örneğin, açılma/kapanma) uygulayarak izgara kalıntılarını bastırın.
  4. İzdeki küçük boşlukları interpolasyon veya bağlantı tabanlı dolgu ile kapatın.
  5. Son ikili maskeyi çıktılara/maskelere kaydedin ve temsilci örneklerde maske kalitesini doğrulayın ( bkz. Şekil 7).
    NOT: Sınırlayıcı kutu yönlendirilmiş maskeleme kullanılırken lider-bölge maske oluşturma detayları için Ek Dosya 1'e (Algoritma 3 ) bakınız.

9. Dalgaform izlerini çıkarın (Viterbi tabanlı yol çıkarımı veya geliştirilmiş merkez çizgisi çıkarımı seçin).

  1. Viterbi tabanlı yol çıkarımı kullanarak dalgaform izlerinin çıkarılması
    1. İkili maske üzerinde süreklilikleri cezalandıran ve iz benzeri pikselleri tercih eden bir maliyet haritası hesaplayın.
    2. Lider ürün boyunca süreklilik kısıtlı bir yol elde etmek için Viterbi kod çözmeyi çalıştırın.
    3. Çıkarılan yolu düzleştirin ve gerektiğinde eksik segmentleri interpolasyon yapın.
    4. Yol koordinatlarını çıktılara/izlere kaydedin ve doğrulama için örtü grafiklerini kaydedin (bkz. Şekil 8).
      NOT: Viterbi tabanlı dalgaform çıkarımı ve görselleştirme sözde kodu için Ek Dosya 2'ye (Algoritma 4 ) bakınız.
  2. Geliştirilmiş merkez çizgisi çıkarımı kullanarak dalgaform izinin çıkarılması
    1. İkili maskeyi iskeletleştirerek bir merkez hattı adayı elde edin.
    2. Şebeke gürültüsünden kaynaklanan sahte dalları ve izole bileşenleri çıkarın.
    3. Merkez çizgisini düzleştirin ve soldan sağa sürekliliği sağlayın.
    4. Dalga formunun sürekliliğini korumak için kısa eksik segmentleri interpolasyon yapın.
    5. Çalışma veri setinin görüntüleme koşullarında merkez çizgisi sürekliliğini optimize etmek için veri setine özgü parametreleri (örneğin, ikili eşikler, morfolojik çekirdek boyutları, budama uzunluğu, düzgünleştirme gücü ve boşluk interpolasyon sınırları) ayarlayın.
    6. Merkez çizgisi koordinatlarını çıktılara/izlere kaydedin ve doğrulama için üst katman grafiklerini kaydedin ( bkz. Şekil 9).
      NOT: Standart iskeletleşmeye dayalı merkez çizgi prensibi kullanın ve veri setine özgü parametre ayarlaması ve sonradan işlem yoluyla sağlamlığı artırın; merkez çizgisi çıkarma, düzgünleştirme/interpolasyon, parametre ayarları ve depolama sahte kodu için Ek Dosya 2'ye (Algoritma 5) bakınız.

10. Piksel izlerini kalibre edilmiş sinyallere dönüştürün (mV vs zaman)

  1. Piksel y-koordinatlarını kalibre edilmiş ızgara ölçeği (10 mm·mV⁻1) ve piksel-mm eşleme kullanarak voltaja dönüştürün.
  2. Piksel x koordinatlarını kalibre edilmiş ızgara ölçeği (25 mm·s⁻1) ve piksel-mm eşlemesi kullanarak zamana dönüştürün.
  3. Her lead'ı sabit bir örnekleme hızına (örneğin, 100 Hz) yeniden sample edin ve tüm 12 lead'ı zamanla hizalasın.
  4. 12 lead'li sinyalleri çıktılar/signals_csv/ içinde CSV dosyaları olarak tutarlı sütun isimleri ve birimleriyle kaydedin.

11. WFDB kayıtlarını dışa aktarın ve çıktıları doğrulayın

  1. Her 12-lead'lı CSV'yi WFDB kütüphanesi kullanarak bir WFDB kaydına dönüştürün.
  2. Kayıt adı, örnekleme hızı, sinyal kazançları, temel çizgiler ve lead isimlerini içeren .hea başlık dosyasını yazın.
  3. .dat sinyal dosyasını tutarlı sayısal tip (örneğin, 16-bit) ve birim konvansiyonu (örneğin, μV) kullanarak yazın.
  4. Her WFDB kaydını yeniden yükleyin ve tüm 12 ipucu çizerek lead sırası, adlandırma ve zaman hizasını onaylayın ( bkz. Şekil 10).
  5. Son WFDB çıktılarını çıktılara/wfdb/ ve doğrulama grafiklerini kaydet.
    NOT: CSV'den WFDB'ye dönüşüm detayları ve meta veri mevcut olduğunda isteğe bağlı açıklama yazısı için Ek Dosya 3'e (Algoritma 7 ) bakınız.

12. Kontrol noktaları ve sorun giderme

  1. Güvenilmez ızgara kalibrasyonu, eksik kablolar veya ciddi tıkanmalar olan herhangi bir kayıtı reddedin veya işaretleyin.
  2. İştiraklı kayıtlar için ayarlanmış parametrelerle ön işleme ve kalibrasyonu yeniden çalıştırın.
  3. Potansiyel müşteriler kaçırıldığında güncellenmiş güven/IoU eşikleriyle yeniden tespit edilir.
  4. Arıza modlarını ve hariç tutma kriterlerini bir sonuç tablosunda özetleyin.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Girdi hazırlığı
EKG raporları, PDF veya taramalardan standartlaştırılmış, eksen hizalı görüntülere başarıyla dönüştürüldü ve sonraki işleme için uygundu. Kağıt EKG'ler için, taramalar gri tonlarda 300 dpi ile alındı ve sıkıştırma artefaktlarını azaltmak için PNG/TIFF olarak kaydedildi. En yaygın giriş sorunları (i) PDF dışına çıkışlardan kaynaklanan aşırı sıkıştırma, (ii) kurşun bölgelerini veya etiketleri kaldıran kısmi kırpma ve (iii) akıllı telefon fotoğraflarında ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, PDF'lerden veya taranmış kağıt kayıtlardan 12-lead-EKG görüntülerini ızgara kalibrasyonu, YOLOv12 tabanlı lead lokalizasyonu ve Viterbi yol araması veya geliştirilmiş merkez çizgisiyöntemi 1 kullanarak dalgaform çıkarımı yoluyla WFDB uyumlu dijital sinyallere dönüştüren otomatik uçtan uca bir boru hattı sunmaktadır. Protokol, dijitalleştirme sırasında kalite güvencesini desteklemek için doğrulama kontrol noktaları (sınırlayıcı kutu üstlemeleri, iz üst ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların, bu makalede yer alan çalışmayı etkileyebilecek herhangi bir rekabet eden finansal çıkarları veya kişisel ilişkileri yoktur.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, kimlik dışı EKG raporları sağladığı ve veri toplama sırasında kurumsal destek sağladığı için Tam Duc Hastanesi'ne teşekkür ediyorlar.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
GPU (çalışma zamanı testleri)NVIDIAGeForce RTX 3060 12 GBNVIDIA GeForce RTX 3060 12 GB çalışma zamanı testleri için kullanıldı
NumPyNumPy1.26.4Sayısal işleme
OpenCVOpenCV4.10.0.84Görüntü ön işleme (çarpıklık, filtreleme)
İşletim sistemi (çalışma zamanı testleri)MicrosoftWindows 11Çalışma zamanı testleri için kullanılan Windows 11
PDF-görüntüye dönüştürücüBu protokolV1PDF rasterizasyonu 300 DPI; veri Erişilebilirliği'nde depo URL'sini sağla
PythonPython Yazılım Vakfı3.12.5Çalışma zamanı ortamı
PyTorchPyTorch0.5.0YOLOv12 için arka uç
TarayıcıKanonDR-C240300 DPI, gri ton, PNG/TIFF önerilir
scikit-imagescikit-image0.25.0İskeletleşme ve morfoloji (merkez çizgisi)
UltralitiklerUltralitikler8.3.155YOLOv12 eğitim/çıkarım çerçevesi
wfdb (Python paketi)PhysioNet4.1.2WFDB dışa aktarma (.hea/.dat)

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Muhammet, A., Fani, D., Christos, A., Idris, Z., Gruschen, R. V. Digitization and Linkage of PDF Formatted 12-Lead Electrocardiograms in Adult Congenital Heart Disease. CJC Pediatric and Congenit Heart Dis. 4 (5), 263-273 (2025).
  2. Baydoun, M., et al. High precision digitization of paper-based ECG records: A step toward smart machine learning. IEEE J Transl Eng Health Med. 7, 1-8 (2019).
  3. Demolder, A., et al. High precision ECG digitization using artificial intelligence. Biomed Signal Process Control. 72, 103331(2024).
  4. Prim, J., et al. A data pipeline for extraction and processing of electrocardiogram recordings. Comput Cardiol. 48, 1-4 (2021).
  5. Rautela, D., Bajeli, D., Kumar, M., Vaidya, A. Identifying cardiovascular disorders through ECG image analysis. Knowl-Based Syst. 186, 104925(2020).
  6. Reyna, M. A., et al. ECG-Image-Database: A dataset of ECG images with real-world imaging and patient annotations. arXiv. , (2024).
  7. Ribeiro, H., et al. Automatic 12-lead ECG classification using a convolutional network ensemble. Comput Cardiol. 47, 1-4 (2020).
  8. Jessy, K. S. J., Manikandan, D. G., Hemalatha, M. S., Veroncia, M. V. Detection of cardiovascular disease using ECG images in machine learning and deep learning. Int J Sci Res Sci Technol. 11, 131-139 (2024).
  9. 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).
  10. Nguyen, C. V., Nguyen, H. N., Nguyen, D. A., Do, C. D. VinDigitizer: An image processing approach to digitize paper ECG records. Comput Cardiol. 51, 1-4 (2024).
  11. Patil, R., Narkhede, R. D., Vama, B., Suraliya, S., Raut, S. R. Auto lead extraction in ECG images: Identification of ECG paper records using deep learning. Biomed Signal Process Control. 72, 103339(2024).
  12. Santamaría, F., et al. ECGMiner: A flexible software for accurately digitizing ECG. Comput Methods Programs Biomed. 246, 108053(2024).
  13. Shivashankara, K. K., et al. An open ECG-image toolkit: ECG-ImageNet – an open image generation toolbox to facilitate deep learning-based electrocardiogram digitization. Biomed Signal Process. Control. 72, 103342(2024).
  14. Wang, L. H., et al. Paper-recorded ECG digitization method with automatic reference voltage selection for telemonitoring and diagnosis. Diagnostics. 14 (17), 1910(1910).
  15. Wang, T., Zhang, Y., Liu, X., Huang, Z., Qin, F. Automatic Detection of Arrhythmias Using a YOLO-Based Network with Long-Duration ECG Signals. Eng Proc. 2 (1), 84(2020).
  16. Wu, H., et al. A fully automated paper ECG digitisation algorithm using deep learning. Sci Rep. 12, 25284(2022).
  17. Júnior, O., et al. An automated machine learning method to efficiently classify the 12-lead ECG signal acquisition quality. Computing in Cardiology. 50, 1-6 (2023).
  18. Lence, A., et al. ECGtizer: A fully automated digitizing and signal recovery pipeline for electrocardiograms. arXiv. , (2024).
  19. Büyüksolak, O., Öksüz, İ Pic2Diagnosis: A Method for Diagnosis of Cardiovascular Diseases from the Printed ECG Pictures. Proc. IEEE EMBC. , (2025).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

12 Kanall EKGDalga Formu kar mSinyal n lemeNesne Tespit ModeliIzgara TespitiSinyal NormalizasyonuKalite Kontrol
Video yakında

İlgili makaleler