第 11 名解决方案

基于多尺度方法和网格点对齐的心电图图像数字化技术解决方案

概述

本解决方案旨在通过结合导联减少、先进网络架构、SNR 感知损失函数和后期处理网格对齐的简化流程，来提高心电图 (ECG) 信号的信噪比 (SNR)。

在第一阶段，我们采用了 hengck23 的优秀 notebook，但基于 x 和 y 方向等间距原则，通过迭代细化对生成的网格点进行了位置优化。随后，我们的主要精力投入到第二阶段。

1. 导联线裁剪策略 (Lead Wire Cropping Strategy)

   • 我们从标准的 12 导联 ECG 中裁剪出 4 条长导联线。
   • 这减少了计算开销并加快了验证周期。
   • 完整 Lead II 导联 (Lead II full) 作为评估策略有效性的参考。
   • 裁剪后的图像保留了临床相关信息，同时允许使用更大的神经网络。

2. SNR 感知损失函数 (SNR-Aware Loss Function)

   • 训练目标中加入了基于 SNR 的损失项。
   • 该损失直接优化信号质量，贡献了约 1.6 dB 的 SNR 提升。

3. 骨干架构升级 (Backbone Architecture Upgrade)

   • 我们将 ResNet34 替换为 ConvNeXt Large 进行特征提取。
   • 由于更好的表示能力，这一变化带来了 0.6 dB 的 SNR 增益。

4. 迭代网格点对齐 (Iterative Grid Point Alignment)

   • 后期处理步骤使用迭代间距校正算法细化检测到的网格点。
   • 该方法对于局部失真较小的 ECG 类型 3、4、11 和 12 特别有效。
   • 类型 6 也有 minor 改进。
   • 支持类型的平均 SNR 提升：0.35 dB。

5. 多尺度和多模型集成 (Multi-Scale and Multi-Model Ensemble)

   • 训练和推理期间使用三种输入尺寸：(2200, 1700), (6600, 1700), (4400, 3400)。
   • 采用多种架构：ConvNeXt Large, EfficientNet, U-Net。

6. 有效策略 (Effective Strategies)

   • 更大的骨干网络（例如 ConvNeXt Large）
   • SNR 感知损失函数
   • 迭代网格对齐（适用于类型 3, 4, 6, 11, 12）
   • 多尺度训练和模型集成

7. 无效策略 (Ineffective Strategies)

   • 广泛的数据生成，基于 CycleGAN 的风格迁移。
   • 我们使用关系式 I + III = II 和 AVF + AVR + AVL = 0 来校正输出导联信号值，但不幸的是，SNR 实际上下降了。