WAVIE: Ein modulares und quelloffenes Python-Implementierung für die vollständig automatisierte Digitalisierung von Papier-EKGs

Das Elektrokardiogramm (EKG) ist ein weit verbreitetes Instrument zur Beurteilung von Herzerkrankungen. Obwohl erhebliche Anstrengungen unternommen wurden, um EKGs zu digitalisieren und so künstliche Intelligenz-Anwendungen zu ermöglichen, bestehen weiterhin Einschränkungen hinsichtlich der Verallgemeinerbarkeit bestehender Methoden. Im Rahmen der „Digitization and Classification of ECG Images: The George B. Moody PhysioNet Challenge 2024“ präsentieren wir WAVIE – einen vollständig automatisierten, modularen und quelloffenen Framework zur EKG-Digitalisierung, der die Heterogenität realweltbezogener Daten bewältigen kann. Anhand des PTB-XL-Datensatzes wurden synthetische Papier-EKGs mit bekannten Variationen und Artefakten generiert. Unser Team, wavie ABI, entwickelte einen dreistufigen Ansatz, der auf tiefen neuronalen Netzwerken für die Orientierungskorrektur, Objekterkennung und Wellenformextraktion basiert. Die Inferenz auf dem versteckten Testset für die Digitalisierungsaufgabe erzielte eine durchschnittliche Signal-Rausch-Verhältnis (SNR) von 5,469 (Platz 3 von 16 Teams). WAVIE bietet eine umfassende und verallgemeinerungsfähige Baseline, die für spezifische Aufgaben der EKG-Digitalisierung rekonfiguriert und feinabgestimmt werden kann und somit eine Anpassungsfähigkeit für zukünftige Forschungsanwendungen sicherstellt.