An Immersive Virtual Reality Environment for Diagnostic Imaging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: Advancements in and adoption of consumer virtual reality (VR) are currently being propelled by numerous upcoming devices such as the Oculus Rift. Although applications are currently growing around the entertainment field, wide-spread adoption of VR devices opens up the potential for other applications that may have been unfeasible with past implementations of VR. A VR environment may provide an equal or larger screen area than what is provided with the use of multiple conventional displays while remaining comparatively cheaper and more portable making it an attractive option for diagnostic radiology applications. Methods A VR application for the viewing of multiple image slices was designed using: the Oculus Rift head-mounted display (HMD), Unity, and 3D Slicer. Volumes loaded within 3D Slicer are sent to a Unity application that proceeds to render a scene for the Oculus Rift HMD. Users may interact with the images adjusting windowing and leveling using a handheld gamepad controller. Multiple images may be brought closer to the user for detailed inspection. Results Application usage was demonstrated with the simultaneous visualization of longitudinal slices of a serial CT scan of a patient with a lung nodule. Pilot studies for validating usage of the VR system for differential diagnosis and remote collaboration were performed. Initial results suggest that using the VR system increased both task load and time taken to complete tasks, however, the resulting accuracy in assessing nodule growth of nodules was not significantly different than that achieved using a DICOM viewer application on a traditional display.
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.
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 | 0,006 | 0,014 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle