3D cinematic reconstructions of cardiovascular CT presented in augmented reality: subjective assessment of clinical feasibility and potential use cases
Notice bibliographique
Résumé
Augmented reality (AR) is a new technique enabling interaction with three-dimensional (3D) holograms of cinematic rendering (CR) reconstructions. Research in this field is in its very early steps, and data is scarce. We evaluated image quality, usability, and potential applications of AR in cardiovascular image datasets. Ten CR reconstructions of cardiovascular computed tomography (CT) datasets with complex anatomical abnormalities were presented to six radiologists and three cardiologists first on diagnostic screens and subsequently in AR. Subjective image quality and user experience were rated on 5-point Likert scales to assess usability and potential applications of AR. CR of CT datasets covering multiple images series of the same exam with differing kernels was performed in 143 ± 31 s (mean ± standard deviation); reconstruction of single CT image series took 84 ± 30 s. Mean subjective image quality was excellent, and observers showed high endorsement of the intuitive usability of the AR device and improvement of anatomical comprehensibility. AR devices were expected to have the greatest impact on patient and student education as well as multidisciplinary discussions, with less potential in clinical care. Clinical testing and preclinical implementation of AR seem feasible due to reasonable computation times and intuitive usability even for first-time users. RELEVANCE STATEMENT: The presentation of 3D cinematic rendering in augmented reality provides excellent image quality, facilitating the comprehension of anatomical structures in CT datasets. Concurrently, reasonable computation times and the intuitive usability of augmented reality devices make preclinical implementation and clinical testing feasible. KEY POINTS: 3D cinematic reconstructions presented in augmented reality improve the anatomical comprehensibility of chest CT scans. Augmented reality devices are expected to be highly beneficial in educational settings and multidisciplinary discussions. Usability and computation times are feasible for initial preclinical use cases.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».