摘要

心电图（ECG）是评估心脏疾病的一种广泛应用工具。尽管已有大量研究致力于心电图的数字化以推动人工智能技术的应用，但现有方法在泛化能力方面仍存在局限。作为“心电图图像的数字化与分类：2024年乔治·B·莫迪生理网挑战赛”（Digitization and Classification of ECG Images: The George B. Moody PhysioNet Challenge 2024）的一部分，我们提出了WAVIE——一个完全自动化、模块化且开源的心电图数字化框架，旨在应对真实世界数据的异质性问题。基于PTB-XL数据集，我们生成了具有已知变化和伪影的合成纸质心电图。我们的团队wavie ABI开发了一个三阶段框架，包含用于方向校正、目标检测和波形提取的深度学习模型。在数字化任务的隐藏测试集上进行推理，获得的平均信噪比（SNR）为5.469，位列16支参赛团队中的第3名。WAVIE提供了一个全面且具备良好泛化能力的基准方案，可根据具体的心电图数字化任务进行重构与微调，为未来研究应用提供了高度可适应的技术基础。