Touchless gesture recognition system for imaging controls in sterile environment
Notice bibliographique
Résumé
Physicians often rely on a patient’s imaging to accurately complete a surgical procedure. To be able to navigate and manipulate these imaging files, physicians resort to using the traditional keyboard and mouse. However, keyboards and computer mice are common mediums for bacterial transfer. As a result, physicians need to re-perform the time-consuming scrubbing techniques after interaction with these devices. With gesture-based control systems becoming an alternative interface over traditional mice and keyboard input systems, new interactive methods can be implemented in a medical environment. Gesture-based interactions allow touchless control of a system that removes the need of the re-sterilization process. This may reduce procedure time and allow the physician to focus on the primary task at hand. We propose a simple method where the primary user can perform most common interactions such as scroll, zoom, pan and window width/level adjustments with just one hand using a Leap Motion® sensor and an open source DICOM viewer, Weasis. The tool, developed as an open-source plugin for the Weasis PACS system, gives the user the ability to use one hand to efficiently manipulate medical imaging data. Our tool can be easily integrated into existing systems, requires no calibration prior to each usage, and is very low cost. An experiment was conducted at a local hospital, with 9 radiologists, 3 surgeons, 3 operating room support staff and 1 engineer to validate the adoptability and usability of our plugin tool. From the results, we can conclude that the participants are receptive to our hand-gesture recognition system as an alternative to using the traditional mouse and keyboard when viewing the imaging or to asking an assistant outside of the sterile field to operate the computer.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».