An Immersive Virtual Reality Environment for Diagnostic Imaging
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».