Segmentierungsbasierte Extraktion zentraler Komponenten aus EKG-Bildern: Ein Framework für präzise Klassifikation und Digitalisierung

Die physischen und papierbasierten Elektrokardiogramme (ECG) enthalten wertvolle Einblicke in die Geschichte und Vielfalt kardiovaskulärer Erkrankungen (CVDs). Die Entwicklung von Algorithmen, die diese Bilder digitalisieren und klassifizieren können, könnte unser Verständnis und die Behandlung von CVDs erheblich verbessern, insbesondere bei unterrepräsentierten und benachteiligten Bevölkerungsgruppen. Im Rahmen der George B. Moody PhysioNet Challenge 2024 stellen wir einen Ansatz basierend auf tiefem Lernen vor, um ECG-Bilder zu digitalisieren und zu klassifizieren. Unsere Methodik setzt ein tiefes Lernsegmentierungsmodell ein, um zentrale Komponenten zu extrahieren, die anschließend zur Trainierung eines Klassifikationsmodells zur Erkennung von CVDs und zur Digitalisierung des Signals genutzt werden. Unser Team, BAPORLab, erreichte bei der Digitalisierungsaufgabe ein Signal-Rausch-Verhältnis von 5,493 und belegte damit den zweiten Platz. Bei der Klassifizierungsaufgabe erzielten wir eine makro-F-Maßzahl von 0,730 und belegten den dritten Rang.