Utilizzo di vmTracking per migliorare l'accuratezza della stima della posa multi-animale negli studi sul comportamento sociale dei roditori

Miriamo a comprendere le interazioni sociali nei topi in movimento libero sviluppando metodi accurati di tracciamento multi-animale. Ottenere un tracciamento accurato della posa con un'identificazione affidabile degli individui in condizioni multi-animali rimane difficile. Per cominciare, crea un nuovo progetto multi-animali selezionando Gestiona Progetto per il tracciamento video senza marcatori.

Modifica i campi individui e parti del corpo nella configurazione. file YAML, secondo i requisiti di analisi. Seleziona Estrae Frame per estrarre i frame dal video per etichettare e formare la formazione.

Successivamente, etichetta ogni frame estratto selezionando Dati dell'etichetta. Assegna le parti del corpo appropriate a ciascun individuo visibile senza necessariamente mantenere ID coerenti tra i fotogrammi. Per creare un dataset di addestramento dai frame estratti, seleziona crea Training Dataset.

Imposta la rete su DLCRNet_ms5 nella configurazione. Seleziona Traino per iniziare ad addestrare la rete. Imposta il parametro massimo di iterazioni a 200.000 per questa sessione di addestramento.

Tutti gli altri parametri di addestramento possono rimanere ai loro valori predefiniti. Valuta la rete addestrata selezionando Valuta. Per eseguire la stima della posa sui video selezionati, scegli Analizza Video Generating HDF5 Coordinate Data e altri file di output nella cartella video all'interno della cartella del progetto.

Per effettuare una verifica manuale dei risultati di tracciamento, crea un video di tracciamento etichettato selezionando Crea video. Abilita l'opzione crea video con un ID animale colorato nella GUI del DLC per includere gli ID individuali nel video. Poi ispeziona i video etichettati generati per verificare eventuali cambi di identità o previsioni mancanti.

Se ci sono errori gravi, preparati a un riaddestramento. Per riaddestrare, estrarre e annotare i frame fuori dagli squadri. Seleziona Estrae o Affina gli Outlier.

Una volta completata l'annotazione, clicca su Ungi il Dataset per procedere automaticamente alla creazione del dataset di addestramento. E poi ripetere il percorso di addestramento. Per correggere i risultati dei DLC multi-animali, apri la GUI personalizzata e conserva solo i punti chiave richiesti per i marcatori virtuali.

Seleziona Refine Tracklets per correggere il file HDF5 contenente solo i punti chiave selezionati. Regola i punti chiave in modo che tutti mantengano un ID coerente su tutto il video. Salva il file e il file HDF5 nella cartella video verrà aggiornato automaticamente.

Successivamente, crea un nuovo video etichettato dai dati corretti selezionando Crea video. In DeepLabCut 2.2, se un video etichettato esiste già nella cartella dei video, non verrà creato un nuovo video. Rimuovi, rinomina o sposta il file esistente prima di procedere.

Rinomina il video marcatore virtuale etichettato con un nome file breve per evitare errori durante l'elaborazione a valle di DeepLabCut. Crea un nuovo progetto saDLC selezionando Gestisci progetto per tracciare il video del marker virtuale. Nella configurazione.

File, elencare tutte le combinazioni di individui e parti del corpo nel campo delle parti del corpo. Per estrarre i fotogrammi dal video marcatore virtuale rinominato, seleziona Estrae fotogrammi. Ora etichetta ogni frame estratto nei dati dell'etichetta usando i marker virtuali per assegnare ID individuali coerenti e assicurarsi che sia ID che parti del corpo corrispondano tra i frame e i frame.

Quando una parte del corpo è parzialmente nascosta, ma l'ID dell'individuo è noto, stimarne la posizione e applicare l'etichetta di conseguenza. Crea un dataset di addestramento dai frame estratti selezionando Crea Dataset di Addestramento. Imposta la rete su efficiente net B0 per questa sessione di addestramento.

Inizia ad addestrare la rete selezionando Train. Imposta il parametro massimo di iterazioni a 200.000 per questa sessione, e tutte le altre impostazioni possono rimanere ai valori predefiniti. Dopo aver valutato la rete addestrata, eseguire la verifica manuale come dimostrato in precedenza.

Nelle scene affollate, il tracciamento delle VM ha raggiunto una percentuale di match significativamente più alta rispetto ai maDLC. Il numero di falsi negativi era significativamente inferiore con il tracciamento delle VM rispetto a maDLC. Tuttavia, non c'era differenza tra il tracciamento delle VM e il maDLC nei conteggi di falsi positivi e di ID switch.

Nelle scene non affollate, il tracciamento delle VM ha raggiunto una percentuale di match significativamente più alta rispetto ai maDLC. Il numero di falsi negativi era significativamente inferiore con il tracciamento delle VM rispetto a maDLC. Non c'era differenza nei falsi positivi e nel conteggio degli switch ID tra il tracciamento della VM e il maDLC.

Nelle scene affollate, la percentuale di match in maDLC si è stabilizzata a circa l'85% dopo circa 400 fotogrammi annotati senza ulteriori miglioramenti. Mentre il tracciamento delle VM mostrava un aumento costante fino a circa il 95%, intorno a 1.000 frame. In maDLC, aumentare il numero di frame annotati non ha ridotto il numero di falsi negativi.

Le scene con una proporzione più alta di marcatori virtuali correttamente assegnati tendevano a mostrare percentuali di corrispondenza più elevate. Tuttavia, alcune scene come la 3 e l'11 mostravano ancora percentuali di corrispondenza elevate nonostante molte assegnazioni errate o marcatori mancanti. Il nostro protocollo affronta la mancanza di mantenimento affidabile dell'identità nel tracciamento della posa multi-animale.

Migliora la precisione del tracciamento della posa combinando marker virtuali con strumenti esistenti. Le nostre future ricerche utilizzeranno questi dati per affrontare come le dinamiche di gruppo influenzino i comportamenti sociali nei topi.