STEAM

Όλα τα λογισμικά > Εκπαίδευση > Virtual Reality Neuron Tracer

Κέντρο Κοινότητας

Virtual Reality Neuron Tracer

The Virtual Reality Neuron Tracer is a tool for visualizing and reconstructing neurons from scanned 3D tissue in virtual reality. VRNT allows you to view and work with your data directly in 3D, providing more natural and intuitive interaction, and leading to faster insights and better understanding.

Όλες οι κριτικές:

6 κριτικές χρηστών - Χρειάζονται περισσότερες κριτικές χρηστών για τη δημιουργία βαθμολογίας

Ημ/νία κυκλοφορίας:

25 Οκτ 2018

Δημιουργός:

ViSUS LLC

Εκδότης:

ViSOAR

Ετικέτες

Δημοφιλείς ετικέτες χρηστών για αυτό το προϊόν:

+

Συνδεθείτε για να προσθέσετε αυτό το αντικείμενο στη Λίστα Επιθυμιών σας, να το ακολουθήσετε ή να το αγνοήσετε

Σας ενδιαφέρει αυτό το λογισμικό;

Συνδεθείτε για να δείτε γιατί μπορεί να σας αρέσει βάσει των παιχνιδιών, των φίλων σας και των επιμελητών που ακολουθείτε.

Σύνδεση ή Άνοιγμα στο Steam

Χαρακτηριστικά

Για χειριστήρια με ανίχνευση

Περιορισμένα χαρακτηριστικά προφίλ

Γλώσσες:

	Διεπαφή	Ήχος	Υπότιτλοι
Ελληνικά	Δεν υποστηρίζεται
Αγγλικά	✔

Τίτλος: Virtual Reality Neuron Tracer
Είδος: Εκπαίδευση, Βοηθητικά προγράμματα

Δημιουργός: ViSUS LLC

Εκδότης: ViSOAR

Ημ/νία κυκλοφορίας: 25 Οκτ 2018

Ιστοσελίδα

Ιστορικό ενημερώσεων Σχετικά νέα Συζητήσεις Ομάδες της Κοινότητας

Κοινοποίηση Ενσωμάτωση

Μόνο VR

Χρήση Virtual Reality Neuron Tracer

Δωρεάν

Δωρεάν

Σχετικά με αυτό το λογισμικό

The Virtual Reality Neuron Tracer (VRNT) is a tool for visualizing and tracing neurons from scanned 3D tissue in virtual reality. VRNT allows you to view and work with your data directly in 3D, providing more natural and intuitive interaction, leading to faster insights and better understanding. To support integration into your existing pipeline, VRNT supports common forms of TIFF Z-slices and TIFF directories, loads and stores traces in the the NLXML format used by NeuroLucida, and auto-saves your traces to allow you to easily pause and resume work. VRNT also supports datasets beyond the RAM capacity of the machine, by leveraging an on-demand streaming architecture. The streaming architecture supports both TIFF files and the IDX file format for better performance. Using our tool you can also easily convert your data to IDX for faster streaming performance.

For ease of use VRNT will auto-save your work every minute, and when you exit the software. When returning to work you can resume from your previous work, or pick some other trace to continue working from.

We have conducted a preliminary evaluation of how well users can trace neurons in virtual reality vs. NeuroLucida, and found that users could trace neurons roughly twice as fast, at similar quality to those performed with NeuroLucida. Further details on the development of VRNT and the evaluation can be found in our paper: "A Virtual Reality Visualization Tool for Neuron Tracing".

We're continuing to add new features and support for new data types and use cases based on user feedback and needs, if you find VRNT useful and/or have feature requests (e.g., data format support, workflows, data processing, etc.) please contact us at the support email address.

Απαιτήσεις συστήματος

Ελάχιστες:

Απαιτείται επεξεργαστής και λειτουργικό σύστημα 64-bit
Λειτουργικό σύστημα: Windows 10
Επεξεργαστής: Intel i5 or AMD Ryzen
Μνήμη: 8 GB RAM
Γραφικά: Nvidia GeForce 1060
DirectX: Έκδοση 11
Αποθήκευση: 4 GB διαθέσιμος χώρος
Υποστήριξη VR: SteamVR
Επιπλέον σημειώσεις: A GTX 10-series or higher is a hard requirement, due to the use of specific graphics extensions for VR

Προτεινόμενες:

Απαιτείται επεξεργαστής και λειτουργικό σύστημα 64-bit
Λειτουργικό σύστημα: Windows 10
Επεξεργαστής: Intel i5 or AMD Ryzen
Μνήμη: 8 GB RAM
Γραφικά: Nvidia GTX 1070 or higher
DirectX: Έκδοση 11
Αποθήκευση: 4 GB διαθέσιμος χώρος

We would like to thank Anders Ynnerman, Yarden Livnat, Amy Gooch, the early evaluation users, and the paper reviewers.

This work is supported in part by NSF:CGV Award: 1314896, NSF:IIP Award: 1602127, NSF:ACI Award: 1649923, DoE/SciDAC DESC0007446, CCMSC DE-NA0002375, PIPER: ER26142 DE-SC0010498, the NIH (NEI R01 EY019743 and R01 EY026812, NINDS BRAIN grant U01 NS099702), the NSF (IOS 1355075 and EAGER 1649923), the U. of Utah Research Foundation (seed grant 10040877), the U. of Utah Neuroscience Initiative, and a grant from Research to Prevent Blindness to the Dept. of Ophthalmology. This material is based upon work supported by the DoE, NNSA, under Award Number DE-NA0002375.

We would also like to thank the following open-source libraries used in developing this tool: SDL2, GLM, Dear ImGui, mlabbe's Native File Dialog, nlohmann's JSON parser, and ZeroMQ.

The dataset used in the tutorial and DIADEM NC Layer 1 Axons example is the Neocortical Layer 1 Axons dataset from the DIADEM challenge, provided courtesy of V De Paola, MRC Clinical Sciences Center, Imperial College London.

The dataset used in the Cell Bodies example is courtesy of Frederick Federer and Alessandra Angelucci, of the Moran Eye Institute, University of Utah.

The software is provided "as is", without warranty of any kind, express or implied, including but not limited to the warranties of merchantability, fitness for a particular purpose and noninfringement. In no event shall the authors or copyright holders be liable for any claim, damages or other liability, whether in an action of contract, tort or otherwise, arising from, out of or in connection with the software or the use or other dealings in the software.

The font used in the application is Google's Roboto font.

Εμφάνιση όλων

Περισσότερα σαν αυτό