A DATASET OF COMPRESSION ULTRASOUND VIDEOS FOR THE DEVELOPMENT OF MACHINE LEARNING MODELS FOR THE DETECTION OF DEEP VEIN THROMBOSIS
Authors/Creators
-
1.
Democritus University of Thrace
-
2.
Athena Research and Innovation Center In Information Communication & Knowledge Technologies
Description
Deep Vein Thrombosis (DVT) is a serious vascular condition with a significant impact on morbidity, mortality, and the burden on healthcare systems. DVT affects approximately 400,000 - 900,000 people in Europe annually, with the associated total annual treatment costs reaching approximately €8.5 billion. Compression ultrasonography, performed and interpreted by specialist physicians, is the primary diagnostic method in clinical practice; however, examination and diagnosis typically occur only after the onset of clinical symptoms. The European research consortium ThrombUS+ is developing cutting-edge technology that enables continuous, real-time monitoring of individuals at high risk for DVT through an innovative wearable system that allows for autonomous compression ultrasonography. The real-time analysis of ultrasound scans is based on machine learning models, the training of which requires a large volume of clinical data. To this end, we are implementing a multicenter clinical study across five European hospitals to collect compression ultrasonography data from individuals with suspected DVT. In this paper, we present the first open-access dataset consisting of approximately 3,000 compression ultrasound videos from 742 patients with suspected DVT. Given that the dataset exhibits great clinical diversity, it can be used both for the development of Artificial Intelligence models and for the training of students and healthcare professionals in the diagnosis of DVT. This study is co-funded by the European Union under the Horizon Europe program.
and announced in: 10th Conference of Education and Research in Medicine, Alexandroupoli, Greece, 27-29 March 2026 [in Greek]
The work has been officilay published: In Proceedings of the 19th International Joint Conference on Biomedical Engineering Systems and Technologies - Volume 4: HEALTHINF, ISBN 978-989-758-802-0, ISSN 2184-4305, pages 853-862
Full Citation:
Didaskalou, S.; Portokallidis, N.; Tzatzimaki, K.; Liapi, M.; Moustakidis, N.; Moustakidis, T.; Balciuniene, N.; Macas, A.; Kijauskas, R.; Aladaitis, A.; Sotiriadou, A.; Sarafis, F.; Kynigopoulos, G.; Potoupnis, M.; Grandone, E.; Mastrangelo, G.; Maresca, S.; Gautier, M.; Chaiba, D.; Boussaha, H.; Goulvent, S.; Stylianou, C.; Oglou, E. N.; Chouchos, K.; Deftereos, S.; Papatheodorou, K.; Drougka, I.; Anagnostopoulou, P.; Yu, H. Q.; Kaldoudi, E. and ThrombUS+, (2026). A Dataset for Benchmarking Machine Learning Models for Autonomous Deep Vein Thrombosis Detection Based on Compression Ultrasound Videos. In Proceedings of the 19th International Joint Conference on Biomedical Engineering Systems and Technologies - https://doi.org/10.5220/0014741500004070
Abstract (Modern Greek (1453-))
Η εν τω βάθει φλεβική θρόμβωση (ΕΒΦΘ) αποτελεί σοβαρή αγγειακή πάθηση με σημαντική επίπτωση στη νοσηρότητα, στη θνησιμότητα και στην επιβάρυνση των συστημάτων υγείας. Η ΕΒΦΘ επηρεάζει περίπου 400,000 - 900,000 άτομα στην Ευρώπη ετησίως και το σχετικό συνολικό ετήσιο κόστος θεραπείας αντίστοιχα ανέρχεται περίπου στα 8.5€ δισεκατομμύρια. Η υπερηχογραφία αγγειακής συμπίεσης, η οποία εκτελείται και ερμηνεύεται από ειδικούς ιατρούς, αποτελεί την βασική διαγνωστική μέθοδο στην κλινική πράξη, ωστόσο, η εξέταση και η διάγνωση πραγματοποιείται συνήθως μετά την εμφάνιση κλινικών συμπτωμάτων. Η ευρωπαϊκή ερευνητική κοινοπραξία ThrombUS+ αναπτύσσει τεχνολογία αιχμής που επιτρέπει την συνεχή παρακολούθηση σε πραγματικό χρόνο ατόμων υψηλού κινδύνου για ΕΒΦΘ μέσα από ένα καινοτόμο φορετό σύστημα που επιτρέπει την αυτόνομη υπερηχογραφία αγγειακής συμπίεσης. Η ανάλυση των υπερηχογραφημάτων σε πραγματικό χρόνο βασίζεται σε μοντέλα μηχανικής μάθησης, για την εκπαίδευση των οποίων απαιτείται μεγάλος όγκος κλινικών δεδομένων. Για το σκοπό αυτό, υλοποιούμε πολυκεντρική κλινική μελέτη σε 5 νοσοκομεία της Ευρώπης για τη συλλογή δεδομένων υπερηχογραφίας αγγειακής συμπίεσης από άτομα με υποψία ΕΒΘΦ. Στην παρούσα εργασία παρουσιάζουμε το πρώτο ανοιχτό σύνολο δεδομένων αποτελούμενο από ~3000 βίντεο υπερηχογραφίας αγγειακής συμπίεσης από 742 ασθενείς με υποψία ΕΒΦΘ. Δεδομένου ότι το σύνολο των δεδομένων παρουσιάζει μεγάλη κλινική ποικιλομορφία μπορεί να χρησιμοποιηθεί τόσο για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης όσο και για την εκπαίδευση φοιτητών και επαγγελματιών υγείας στη διάγνωση της ΕΒΦΘ. Αυτή η μελέτη συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση στο πλαίσιο του προγράμματος Horizon Europe.
και παρουσιάστηκε στο: 10ο Συνέδριο Εκπαίδευσης και Έρευνας, Αλεξανδρούπολη, Ελλάδα, 27-29 Μαρτίου 2026
The work has been officilay published: In Proceedings of the 19th International Joint Conference on Biomedical Engineering Systems and Technologies - Volume 4: HEALTHINF, ISBN 978-989-758-802-0, ISSN 2184-4305, pages 853-862
Full Citation:
Didaskalou, S.; Portokallidis, N.; Tzatzimaki, K.; Liapi, M.; Moustakidis, N.; Moustakidis, T.; Balciuniene, N.; Macas, A.; Kijauskas, R.; Aladaitis, A.; Sotiriadou, A.; Sarafis, F.; Kynigopoulos, G.; Potoupnis, M.; Grandone, E.; Mastrangelo, G.; Maresca, S.; Gautier, M.; Chaiba, D.; Boussaha, H.; Goulvent, S.; Stylianou, C.; Oglou, E. N.; Chouchos, K.; Deftereos, S.; Papatheodorou, K.; Drougka, I.; Anagnostopoulou, P.; Yu, H. Q.; Kaldoudi, E. and ThrombUS+, (2026). A Dataset for Benchmarking Machine Learning Models for Autonomous Deep Vein Thrombosis Detection Based on Compression Ultrasound Videos. In Proceedings of the 19th International Joint Conference on Biomedical Engineering Systems and Technologies - https://doi.org/10.5220/0014741500004070
Files
Didaskalou_US_Dataset_education_research_med_20260328.pdf
Files
(2.9 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:2daf685726ea93d1e6c080423a4c6761
|
2.9 MB | Preview Download |
Additional details
Additional titles
- Translated title (Modern Greek (1453-))
- ΈΝΑ ΣΥΝΟΛΟ ΔΕΔΟΜΕΝΩΝ ΜΕ ΒΙΝΤΕΟ ΥΠΕΡΗΧΩΝ ΣΥΜΠΙΕΣΗΣ ΓΙΑ ΤΗΝ ΑΝΑΠΤΥΞΗ ΜΟΝΤΕΛΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗΝ ΑΝΙΧΝΕΥΣΗ ΤΗΣ ΕΝ ΤΩ ΒΑΘΕΙ ΦΛΕΒΙΚΗΣ ΘΡΟΜΒΩΣΗΣ
Identifiers
Related works
- Is described by
- Conference proceeding: 10.5220/0014741500004070 (DOI)
- Is variant form of
- Presentation: 10.5281/zenodo.18958473 (DOI)