Cet article se concentre sur la segmentation des électrocardiogrammes (ECG), qui segmente les caractéristiques significatives des formes d'onde de l'ECG. Les progrès de l'apprentissage profond étant limités par le manque de données annotées accessibles au public, l'apprentissage semi-supervisé exploitant des données ECG riches et non étiquetées représente une solution prometteuse. Dans cette étude, nous présentons SemiSegECG, le premier benchmark systématique pour la segmentation sémantique semi-supervisée (SemiSeg) en segmentation ECG. Nous organisons et intégrons plusieurs ensembles de données publiques, y compris des sources jusqu'alors inexploitées, afin de permettre des évaluations robustes et diversifiées. Nous utilisons cinq algorithmes SemiSeg représentatifs de la vision par ordinateur, les implémentons sur deux architectures différentes – les réseaux de neurones convolutifs (CNN) et les Transformers – et les évaluons dans des contextes intra-domaine et inter-domaines. Nous proposons également des configurations d'apprentissage et des stratégies d'augmentation spécifiques à l'ECG, et introduisons un cadre d'évaluation standardisé. Nos résultats démontrent que les Transformers surpassent les CNN en segmentation ECG semi-supervisée. SemiSegECG devrait servir de base à l’avancement des méthodes de segmentation ECG semi-supervisée et stimuler de nouvelles recherches dans ce domaine.
