ECG画像からのキーコンポーネントのセグメンテーションベース抽出：正確な分類およびデジタル化のためのフレームワーク

心電図（ECG）の物理的・紙上データには、心血管疾患（CVD）の歴史および多様性に関する貴重な知見が含まれている。これらの画像をデジタル化し、分類するためのアルゴリズムの開発は、特に代表されていないおよび支援が不足している集団において、CVDの理解および治療の質を著しく向上させる可能性を秘めている。2024年ジョージ・B・ムーディ PhysioNetチャレンジの一環として、我々は深層学習を用いたECG画像のデジタル化および分類手法を提案する。本手法では、深層学習に基づくセグメンテーションモデルを用いて主要な信号成分を抽出し、その情報をもとに心血管疾患の検出を目的とした分類モデルを学習するとともに、信号のデジタル化を実現している。本チーム（BAPORLab）は、デジタル化タスクにおいて信号対雑音比（SNR）5.493を達成し、2位の成績を収めた。分類タスクではマクロF値0.730を達成し、3位の順位を獲得した。