Uso de vmTracking para mejorar la precisión de la estimación de la pose de múltiples animales en estudios de comportamiento social de roedores

Nuestro objetivo es comprender las interacciones sociales en ratones que se desplazan libremente desarrollando métodos precisos de rastreo multi-animal. Lograr un seguimiento preciso de la postura con identificación individual fiable en condiciones de múltiples animales sigue siendo difícil. Para empezar, crea un nuevo proyecto multi-animal seleccionando Gestionar Proyecto para seguimiento de vídeo sin marcadores.

Modifica los campos de individuos y partes del cuerpo en la configuración. Archivo YAML según los requisitos de análisis. Selecciona Extraer fotogramas para extraer fotogramas del vídeo para etiquetado y formación.

A continuación, etiqueta cada fotograma extraído seleccionando Datos de Etiqueta. Asigna las partes del cuerpo adecuadas a cada individuo visible sin mantener necesariamente identificaciones consistentes entre fotogramas. Para crear un conjunto de datos de entrenamiento a partir de los marcos extraídos, seleccione crear Conjunto de Datos de Entrenamiento.

Configura la red a DLCRNet_ms5 en la configuración. Selecciona Entrenar para empezar a entrenar la red. Establece el parámetro máximo de iteraciones en 200.000 para esta sesión de entrenamiento.

Todos los demás parámetros de entrenamiento pueden permanecer en sus valores predeterminados. Evalúa la red entrenada seleccionando Evaluar. Para ejecutar estimación de pose en los vídeos seleccionados, elige Analizar vídeos generando datos de coordenadas HDF5 y otros archivos de salida en la carpeta de vídeos dentro de la carpeta del proyecto.

Para realizar una verificación manual de los resultados de seguimiento, crea un vídeo de seguimiento etiquetado seleccionando Crear vídeos. Activa la opción de crear vídeo con identificación animal en la interfaz gráfica del DLC para incluir identificaciones individuales en el vídeo. Luego inspecciona los vídeos generados etiquetados para comprobar si hay cambios de identidad o predicciones que faltan.

Si hay errores graves, prepárate para reciclar. Para reentrenar, extraer y anotar fotogramas atípicos. Selecciona extraer o refinar valores atípicos.

Una vez completada la anotación, haz clic en Combinar Conjunto de Datos para proceder automáticamente a la creación del conjunto de datos de entrenamiento. Y luego repite la cadena de entrenamiento. Para corregir los resultados del DLC multi-animal, abre la interfaz personalizada y conserva solo los puntos clave necesarios para los marcadores virtuales.

Selecciona Refine Tracklets para corregir el archivo HDF5 que contiene solo los puntos clave seleccionados. Ajusta los puntos clave para que todos conserven una identificación consistente en todo el vídeo. Guarda el archivo y el archivo HDF5 en la carpeta de vídeos se actualizará automáticamente.

A continuación, crea un nuevo vídeo etiquetado a partir de los datos corregidos seleccionando Crear vídeos. En DeepLabCut 2.2, si un vídeo etiquetado ya existe en la carpeta de vídeos, no se creará un vídeo nuevo. Elimina, renombra o mueve el archivo existente antes de continuar.

Renombra el vídeo marcador virtual etiquetado a un nombre corto para evitar errores durante el procesamiento posterior de DeepLabCut. Crea un nuevo proyecto saDLC seleccionando Gestionar proyecto para rastrear el vídeo del marcador virtual. En la configuración.

archivo yaml, lista todas las combinaciones de individuos y partes del cuerpo en el campo de partes del cuerpo. Para extraer fotogramas del vídeo marcador virtual renombrado, seleccione Extraer fotogramas. Ahora etiqueta cada fotograma extraída en los datos de etiquetas usando los marcadores virtuales para asignar IDs individuales consistentes y asegurarte de que tanto los IDs como las partes del cuerpo coincidan entre los fotogramas.

Cuando una parte del cuerpo está parcialmente oculta, pero se conoce la identificación del individuo, estima su posición y aplica la etiqueta en consecuencia. Crea un conjunto de datos de entrenamiento a partir de los marcos extraídos seleccionando Crear Conjunto de Datos de Entrenamiento. Configura la red en net eficiente B0 para esta sesión de entrenamiento.

Comienza a entrenar a la red seleccionando Train. Establece el parámetro máximo de iteraciones en 200.000 para esta sesión, y todas las demás configuraciones pueden mantenerse en sus valores predeterminados. Tras evaluar la red entrenada, realiza la verificación manual como se ha demostrado anteriormente.

En escenas llenas de gente, el seguimiento de VM alcanzó un porcentaje de coincidencia significativamente mayor que el maDLC. El número de falsos negativos fue significativamente menor con el seguimiento de máquinas virtuales que con maDLC. Sin embargo, no había diferencia entre el seguimiento de VM y el maDLC en el número de falsos positivos y de cambios de ID.

En escenas sin mucha gente, el seguimiento de VM alcanzó un porcentaje de coincidencia significativamente mayor que el de los maDLC. El número de falsos negativos fue significativamente menor con el seguimiento de máquinas virtuales que con maDLC. No hubo diferencia en el número de falsos positivos y de cambio de ID entre el seguimiento de la VM y el maDLC.

En escenas llenas de gente, el porcentaje de coincidencias en maDLC se estabilizó en aproximadamente el 85% tras unos 400 fotogramas anotados sin más mejoras. Mientras que el seguimiento de VM mostró un aumento constante hasta aproximadamente el 95%, alrededor de 1.000 tramas. En maDLC, aumentar el número de fotogramas anotados no disminuyó el número de falsos negativos.

Las escenas con una mayor proporción de marcadores virtuales correctamente asignados tendían a mostrar porcentajes de coincidencia más altos. Sin embargo, algunas escenas como la 3 y la 11 seguían mostrando altos porcentajes de coincidencia a pesar de muchas asignaciones incorrectas o de marcadores faltantes. Nuestro protocolo aborda la falta de mantenimiento fiable de la identidad en el seguimiento de postura de varios animales.

Mejora la precisión del seguimiento de la postura al combinar marcadores virtuales con herramientas existentes. Nuestra investigación futura utilizará estos datos para abordar cómo la dinámica grupal moldea los comportamientos sociales en ratones.