As a widely used vital sign within cardiology, Electrocardiography (ECG) provides the basis for assessing heart function and diagnosing cardiovascular diseases. Automated anomaly detection for ECG plays an important role in improving patient diagnosis efficiency and reducing healthcare costs. Practically, due to the limits of electronics support or the medical system setting, image is a more common format for large-scale ECG storage in most clinical institutions. To guarantee an automated ECG detection model's scalability and practicality in clinical applications, taking good advantage of ECG images is crucial. However, existing time digital-based discriminative models fail to learn from images effectively for two reasons. First of all, the signals recorded on images have much lower resolution and higher noise, which makes it impractical to extract precise ECG signals following existing techniques. Meanwhile, the differences between abnormal signals are usually subtle, and they may be overwhelmed by the noises in the images as well. Towards this end, we design a novel neural framework that can be directly applied to massive ECG images determining various types of cardiology abnormalities. It classifies fine-grained ECG images based on weakly supervised strategy, in which case only image-level labeling is required. By eliminating the need for part annotations, the proposed method can result in significant savings in annotation time and cost. The effectiveness of the method is demonstrated by experimental results on two real ECG datasets.

作为心脏病学中广泛使用的生命体征，心电图 (ECG) 为评估心脏功能和诊断心血管疾病提供了基础。心电图的自动异常检测在提高患者诊断效率和降低医疗成本方面发挥着重要作用。实际上，由于电子支持或医疗系统设置的限制，图像是大多数临床机构中大规模心电图存储更常见的格式。为了保证自动 ECG 检测模型在临床应用中的可扩展性和实用性，充分利用 ECG 图像至关重要。然而，由于两个原因，现有的基于时间数字的判别模型无法有效地从图像中学习。首先，图像上记录的信号分辨率低得多，噪声高，这使得按照现有技术提取精确的 ECG 信号变得不切实际。同时，异常信号之间的差异通常是微妙的，它们也可能被图像中的噪声所淹没。为此，我们设计了一种新颖的神经框架，可以直接应用于确定各种类型心脏病异常的大量 ECG 图像。它基于弱监督策略对细粒度的 ECG 图像进行分类，在这种情况下，只需要图像级标记。通过消除对零件注释的需要，所提出的方法可以显着节省注释时间和成本。在两个真实的心电图数据集上的实验结果证明了该方法的有效性。异常信号之间的差异通常是微妙的，它们也可能被图像中的噪声所淹没。为此，我们设计了一种新颖的神经框架，可以直接应用于确定各种类型心脏病异常的大量 ECG 图像。它基于弱监督策略对细粒度的 ECG 图像进行分类，在这种情况下，只需要图像级标记。通过消除对零件注释的需要，所提出的方法可以显着节省注释时间和成本。在两个真实的心电图数据集上的实验结果证明了该方法的有效性。异常信号之间的差异通常是微妙的，它们也可能被图像中的噪声所淹没。为此，我们设计了一种新颖的神经框架，可以直接应用于确定各种类型心脏病异常的大量 ECG 图像。它基于弱监督策略对细粒度的 ECG 图像进行分类，在这种情况下，只需要图像级标记。通过消除对零件注释的需要，所提出的方法可以显着节省注释时间和成本。在两个真实的心电图数据集上的实验结果证明了该方法的有效性。我们设计了一种新颖的神经框架，可以直接应用于确定各种类型心脏病异常的大量 ECG 图像。它基于弱监督策略对细粒度的 ECG 图像进行分类，在这种情况下，只需要图像级标记。通过消除对零件注释的需要，所提出的方法可以显着节省注释时间和成本。在两个真实的心电图数据集上的实验结果证明了该方法的有效性。我们设计了一种新颖的神经框架，可以直接应用于确定各种类型心脏病异常的大量 ECG 图像。它基于弱监督策略对细粒度的 ECG 图像进行分类，在这种情况下，只需要图像级标记。通过消除对零件注释的需要，所提出的方法可以显着节省注释时间和成本。在两个真实的心电图数据集上的实验结果证明了该方法的有效性。