Extraction basée sur la segmentation des composants clés à partir d’images ECG : un cadre pour une classification et une digitalisation précises

Les électrocardiogrammes (ECG) physiques et papier renferment des informations précieuses sur l’histoire et la diversité des maladies cardiovasculaires (MCV). Le développement d’algorithmes capables de numériser et de classer ces images pourrait considérablement améliorer notre compréhension et notre prise en charge des MCV, en particulier chez les populations sous-représentées et défavorisées. Dans le cadre du George B. Moody PhysioNet Challenge 2024, nous proposons une approche fondée sur l’apprentissage profond pour la numérisation et la classification des images d’ECG. Notre méthodologie repose sur un modèle de segmentation par apprentissage profond permettant d’extraire les composantes clés, qui sont ensuite utilisées pour entraîner un modèle de classification destiné à détecter les MCV et à numériser le signal. L’équipe BAPORLab a obtenu un rapport signal-bruit de 5,493, se classant ainsi à la 2e place dans la tâche de numérisation. Dans la tâche de classification, nous avons atteint une mesure F macro de 0,730, classés 3e.