在本文中，我们介绍了基于差异驱动器快照机器人和模拟的用户研究的基于倾斜的控制的实现，目的是将相同的功能带入真正的远程介绍机器人。参与者使用平衡板来控制机器人，并通过头部安装的显示器查看了虚拟环境。使用平衡板作为控制装置的主要动机源于虚拟现实（VR）疾病；即使是您自己的身体与屏幕上看到的动作相匹配的小动作也降低了视力和前庭器官之间的感觉冲突，这是大多数关于VR疾病发作的理论的核心。为了检验平衡委员会作为控制方法的假设比使用操纵杆要少可恶意，我们设计了一个用户研究（n = 32，15名女性），参与者在虚拟环境中驾驶模拟差异驱动器机器人， Nintendo Wii平衡板或操纵杆。但是，我们的预注册的主要假设不得到支持。操纵杆并没有使参与者引起更多的VR疾病，而委员会在统计学上的主观和客观性上都更加难以使用。分析开放式问题表明这些结果可能是有联系的，这意味着使用的困难似乎会影响疾病。即使在测试之前的无限训练时间也没有像熟悉的操纵杆那样容易使用。因此，使董事会更易于使用是启用其潜力的关键。我们为这个目标提供了一些可能性。
translated by 谷歌翻译
神经网络在许多医学成像任务中都取得了令人印象深刻的结果，但在源自不同医疗中心或患者同类的分布数据集中通常会表现出色。评估这种缺乏概括和解决潜在问题的能力是开发旨在临床实践的神经网络的两个主要挑战。在这项研究中，我们开发了一种新方法，用于评估神经网络模型通过生成大量分配移位数据集的概括能力，可用于彻底研究其对临床实践中遇到的可变性的鲁棒性。与外部验证相比，\ textit {移位评估}可以提供有关为什么在给定数据集上神经网络失败的解释，从而为如何改善模型鲁棒性提供指导。随着评估的转变，我们证明了接受最先进方法训练的神经网络对于甚至从训练数据中的分配很小的转移而高度脆弱，并且在某些情况下会失去所有歧视能力。为了解决这一脆弱性，我们制定了一种增强策略，该策略明确旨在提高神经网络对分配转移的稳健性。 \ texttt {strongaugment}通过大规模的，异构的组织病理学数据进行评估，其中包括来自两种组织类型的五个培训数据集，274个分配切换的数据集和来自四个国家 /地区的20个外部数据集。接受\ texttt {strongaugment}培训的神经网络在所有数据集上都保持相似的性能，即使通过分配变化，使用当前最新方法训练的网络将失去所有歧视能力。我们建议使用强大的增强和转移评估来训练和评估所有用于临床实践的神经网络。
translated by 谷歌翻译
许多用于医学成像的最新神经网络概括到培训期间无奈的数据不佳。这种行为可以是由网络过度易于学习或统计主导，在忽视其他可能的信息性功能的情况下引起的。例如，来自两个不同扫描仪的图像锐度的无法区分差异可以显着降低网络的性能。旨在临床实践的所有神经网络都需要强大地对由成像设备，样品制备和患者群体的差异引起的数据的变化。为解决这些挑战，我们评估光谱解耦作为隐含偏置的效用。光谱分离促使神经网络通过简单地规则地规范网络的无正常预测分数来了解更多特征，从而没有增加计算成本。我们表明光谱解耦允许培训具有强虚假相关性的数据集上的神经网络，并增加网络对数据分布班次的鲁棒性。为了验证我们的调查结果，我们用培训网络与无光谱去耦，以检测胸部射线照片中的前列腺癌组织载玻片和Covid-19。培训的网络培训，在外部数据集上达到高达9.5％的表现更高。我们的研究结果表明，光谱解耦有助于与神经网络相关的泛化问题，并且可用于补充或更换计算昂贵的明确偏置缓解方法，例如在组织学图像中染色归一化。我们建议使用光谱解耦作为用于临床用途的任何神经网络中的隐含偏置缓解方法。
translated by 谷歌翻译