L’électrocardiogramme (ECG) est un outil couramment utilisé pour l’évaluation des maladies cardiaques. Bien que des efforts considérables aient été déployés pour la numérisation des ECG afin de faciliter les applications d’intelligence artificielle, des limites persistent quant à la généralisabilité des méthodes existantes. Dans le cadre du défi « Numérisation et classification d’images ECG : le défi PhysioNet George B. Moody 2024 », nous présentons WAVIE, un cadre entièrement automatisé, modulaire et open-source pour la numérisation des ECG, conçu pour faire face à l’hétérogénéité des données du monde réel. À l’aide du jeu de données PTB-XL, des ECG synthétiques sur papier ont été générés avec des variations et artefacts connus. Notre équipe, wavie ABI, a développé un cadre en trois étapes reposant sur des modèles d’apprentissage profond pour la correction d’orientation, la détection d’objets et l’extraction des ondes. L’évaluation sur l’ensemble de test caché pour la tâche de numérisation a permis d’obtenir un rapport signal sur bruit (SNR) moyen de 5,469 (classement 3e sur 16 équipes). WAVIE fournit ainsi une base générale et généralisable, réconfigurable et ajustable selon des tâches spécifiques de numérisation ECG, garantissant une adaptabilité pour les applications futures en recherche.