Name: Utilizando o vmTracking para melhorar a precisão da estimativa de poses de vários animais em estudos de comportamento social de roedores (Vídeo) | JoVE Journal
Uploaded: 2025-11-07T14:40:00.000+00:00
Duration: 7 min 34 s
Description: Aprenda o método vmTracking para rastreamento de poses em animais em grupo, melhorando a precisão em estudos de interações sociais de roedores. Esta técnica oferece dados confiáveis para análise comportamental em ambientes semi-naturais.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Smith, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lab+mice+go+wild%3A+making+experiments+more+natural+in+order+to+decode+the+brain%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Lab mice go wild: making experiments more natural in order to decode the brain.</a> Nature. 618 (7965), 448-450 (2023).</li>
<li>Rein, B., Ma, K., Yan, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+standardized+social+preference+protocol+for+measuring+social+deficits+in+mouse+models+of+autism%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">A standardized social preference protocol for measuring social deficits in mouse models of autism.</a> Nat Protoc. 15 (10), 3464-3477 (2020).</li>
<li>Jabarin, R., Netser, S., Wagner, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+the+three-chamber+test%3A+toward+a+multimodal+and+objective+assessment+of+social+behavior+in+rodents%5BTitle%5D)+AND+%22Mol+Autism%22%5BJournal%5D)">Beyond the three-chamber test: toward a multimodal and objective assessment of social behavior in rodents.</a> Mol Autism. 13 (1), 41(2022).</li>
<li>Lauer, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-animal+pose+estimation%2C+identification+and+tracking+with+DeepLabCut%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Multi-animal pose estimation, identification and tracking with DeepLabCut.</a> Nat Methods. 19 (4), 496-504 (2022).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SLEAP%3A+A+deep+learning+system+for+multi-animal+pose+tracking%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">SLEAP: A deep learning system for multi-animal pose tracking.</a> Nat Methods. 19 (4), 486-495 (2022).</li>
<li>Bordes, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatically+annotated+motion+tracking+identifies+a+distinct+social+behavioral+profile+following+chronic+social+defeat+stress%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Automatically annotated motion tracking identifies a distinct social behavioral profile following chronic social defeat stress.</a> Nat Commun. 14 (1), 4319(2023).</li>
<li>Mathis, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepLabCut%3A+markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">DeepLabCut: markerless pose estimation of user-defined body parts with deep learning.</a> Nat Neurosci. 21 (9), 1281-1289 (2018).</li>
<li>Bolaños, F., LeDue, J. M., Murphy, T. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cost+effective+raspberry+pi-based+radio+frequency+identification+tagging+of+mice+suitable+for+automated+in+vivo+imaging%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Cost effective raspberry pi-based radio frequency identification tagging of mice suitable for automated in vivo imaging.</a> J Neurosci Methods. 276, 79-83 (2017).</li>
<li>Azechi, H., Takahashi, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+enables+highly+accurate+multi-animal+pose+tracking+in+crowded+environments%5BTitle%5D)+AND+%22PLOS+Biol%22%5BJournal%5D)">vmTracking enables highly accurate multi-animal pose tracking in crowded environments.</a> PLOS Biol. 23 (2), e3003002(2025).</li>
<li>DeepLabCut: documentation. , DeepLabCut Team. 
 <a target="_blank" href="https://deeplabcut.github.io/DeepLabCut/README.html">https://deeplabcut.github.io/DeepLabCut/README.html</a> (2025).</li>
<li>Azechi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+figure+and+code%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">vmTracking figure and code.</a> Zenodo. , (2025).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+animal+pose+estimation+using+deep+neural+networks%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fast animal pose estimation using deep neural networks.</a> Nat Methods. 16 (1), 117-125 (2019).</li>
<li>Romero-Ferrero, F., Bergomi, M. G., Hinz, R. C., Heras, F. J. H., de Polavieja, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((idtracker.ai%3A+tracking+all+individuals+in+small+or+large+collectives+of+unmarked+animals%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">idtracker.ai: tracking all individuals in small or large collectives of unmarked animals.</a> Nat Methods. 16 (2), 179-182 (2019).</li>
</ol>

<table><tbody><tr><td>Tubo acrílico (transparente, espessura 5 mm, diâmetro interno 31 cm)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Comprado na Hazaiya (um varejista online de materiais acrílicos)</td></tr><tr><td>Placa acrílica (branca, 3 mm de espessura, 31 cm de diâmetro)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Comprado na Hazaiya (um varejista online de materiais acrílicos)</td></tr><tr><td>Mouse C57BL/6J</td><td>Suprimentos de Laboratório Shimizu, Co.LTD.</td><td>N/A</td><td></td></tr><tr><td>Câmera</td><td>Basler</td><td>acA3088-57uc</td><td></td></tr><tr><td>DeepLabCut 2.2.3</td><td>Laboratório de Mathis no Instituto Federal Suíço de Tecnologia em Lausanne</td><td>https://www.mackenziemathislab.org/deeplabcut</td><td></td></tr><tr><td>Suíte de Software de Câmera Pylon (Pylon Viewer)</td><td>Basler</td><td>N/A</td><td></td></tr></tbody></table>

utilizando o vmtracking para melhorar a precisão da estimativa de poses de vários animais em estudos de comportamento social de roedores

Utilizing vmTracking to Improve the Accuracy of Multi-Animal Pose Estimation in Rodent Social Behavior Studies

A precisão do rastreamento foi avaliada por comparação com uma verdade de solo (GT) gerada manualmente. Vinte cenas de 5 ou 10 segundos foram extraídas e classificadas como cenas lotadas (CR), que incluíam sobreposições como ratos cruzando caminhos (12 cenas; total de 1.950 quadros) ou cenas não lotadas (nCR) sem sobreposições (8 cenas; total de 1.350 quadros). As previsões de rastreamento dentro de 10 pixels da posição GT foram contadas como correspondências (Match); previsões ≥10 pixels de distância foram contadas como falsos positivos (FP); e as previsões ausentes foram contadas como falsos negativos (FN). Além disso, se a identidade prevista diferisse daquela no quadro imediatamente anterior, ela era contada como uma troca de ID.
Comparado com maDLC (Figura 6), o vmTracking mostrou uma melhora significativa no Match nas cenas CR e nCR (Figura 6A, CR: p &lt; 0,001; Figura 6E, nCR: p &lt; 0,01). Em ambos os tipos de cena, não ocorreram FNs e o número de FNs foi significativamente reduzido com vmTracking (Figura 6B, CR: p &lt; 0,001; Figura 6F, nCR: p &lt; 0,05). As contagens de FP (Figura 6C e 6G) e chave ID (Figura 6D, H) não mostraram alterações em nenhum dos tipos de cena. Uma comparação lado a lado dos resultados de rastreamento obtidos usando vmTracking e maDLC convencional é apresentada, destacando a precisão e estabilidade aprimoradas do vmTracking em condições de superlotação (Vídeo Suplementar 1).
Também examinamos a relação entre o número de quadros de anotação e Match e FN para cenas CR em maDLC e vmTracking (Figura 6I). No maDLC, o Match se estabilizou em aproximadamente 85% com cerca de 400 quadros de anotação, com pouca melhoria adicional à medida que o número aumentava. Aumentar os quadros de anotação para treinamento não reduziu os FNs. Em contraste, o vmTracking mostrou um aumento constante na correspondência com mais quadros de anotação, atingindo aproximadamente 95% em cerca de 1.000 quadros.
Os marcadores virtuais foram classificados em seis categorias com base em seus padrões de atribuição, e a proporção de cada categoria foi usada como um índice de precisão do marcador virtual para examinar sua relação com o rastreamento Match (Figura 6J). Cenas com uma proporção maior de marcadores virtuais atribuídos corretamente tendiam a mostrar maior correspondência. No entanto, algumas cenas em que a proporção de marcadores corretos era baixa, seja por causa de muitas atribuições incorretas ou muitos marcadores ausentes, ainda exibiam alta correspondência (por exemplo, cenas CR 3 e 11).
<img alt="Figura 1" class="xfigimg" src="/files/ftp_upload/69506/69506fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 1"> 
Figura 1: Visão geral do fluxo de trabalho vmTracking. (A) Diagrama esquemático do fluxo de trabalho vmTracking. Primeiro, execute maDLC no vídeo sem marcador (I). Com base nos dados de rastreamento maDLC resultantes, corrija a saída para que cada indivíduo mantenha uma ID consistente em todo o vídeo e crie um vídeo rotulado que exiba apenas um subconjunto selecionado de pontos-chave (II). Usando os rótulos neste vídeo como marcadores virtuais, acompanhe o vídeo do marcador virtual com saDLC (III). (B) Dois exemplos de vmTracking são mostrados como instantâneos de cada estágio do processo. A imagem à esquerda mostra a visão completa e as imagens à direita são vistas ampliadas das áreas delimitadas por caixas amarelas. As barras laranja nos cantos inferiores direitos das imagens indicam as escalas: 5 cm para a imagem "Markerless (Overview)" e 1 cm para todas as outras. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig1large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figura 2" class="xfigimg" src="/files/ftp_upload/69506/69506fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
Figura 2: Fluxo de trabalho de rastreamento de vários animais sem marcadores usando maDLC. Esta figura está relacionada à etapa 2.1 do protocolo. (A) Os painéis são adaptados da Figura 1B e ilustram o Processo I (rastreamento de vários animais sem marcadores) mostrado na Figura 1A. Para maior clareza, cada animal é delineado com uma linha tracejada. A barra laranja no canto inferior direito de cada imagem indica uma barra de escala de 1 cm. (BD) Instantâneos de quadros usados para rotulagem durante a execução do maDLC. A barra laranja no canto inferior direito de cada imagem indica uma barra de escala de 5 cm. (B) Exemplo de quadro antes da aplicação dos rótulos. (C) Mesmo quadro que em B, após a rotulagem. (D) Exemplo de outro quadro rotulado. A identidade dos indivíduos entre os quadros C e D é desconhecida, mas a identidade individual não precisa ser considerada ao rotular. Conforme mostrado nos instantâneos, basta rotular corretamente a postura de cada animal. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig2large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figura 3" class="xfigimg" src="/files/ftp_upload/69506/69506fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
Figura 3: Fluxo de trabalho para criar um vídeo de marcador virtual com base nos resultados do maDLC. Esta figura está relacionada à etapa 2.2 do protocolo. (A) Os painéis são adaptados da Figura 1B e ilustram o Processo II (criação de marcadores virtuais) mostrado na Figura 1A. Para maior clareza, cada animal é delineado com uma linha tracejada. As setas brancas indicam os pontos-chave usados como marcadores virtuais (o 2º e o 4º pontos-chave para cada ID). Neste exemplo, os marcadores virtuais são gerados em tons de cinza: os rótulos maDLC roxo, verde e vermelho aparecem como preto, cinza e branco, respectivamente. No Exemplo 1, os resultados do maDLC foram gerados diretamente como marcadores virtuais sem correção. No Exemplo 2, os IDs roxo e vermelho foram trocados e corrigidos antes da saída, devido a uma troca de ID em quadros consecutivos. Um ponto verde no resultado do maDLC que deveria ter sido corrigido foi negligenciado e gerado sem modificação. A barra laranja no canto inferior direito de cada imagem indica uma barra de escala de 1 cm. (B) GUI baseada em Python para editar arquivos de dados de coordenadas h5 para reter apenas pontos-chave específicos e substituir todos os outros por NaN11. (Ba) Janela do menu inicial na inicialização do programa. Selecione o arquivo a ser editado por meio do botão Selecionar arquivo h5. (Bb) Janela após selecionar o arquivo h5. Verifique os pontos-chave a serem substituídos por NaN (exibidos como nome individual do nome da peça do corpo) e especifique os horários de início e término (com taxa de quadros) ou números de quadro para substituição de NaN. Clicar em Processar dados salva o arquivo editado na mesma pasta e cria um backup do original. (C) Quadros consecutivos de uma cena em que ocorreu uma troca de ID. (D) Exemplo de correção de todos os pontos de rastreamento de B. (E) Instantâneo mostrando o resultado de B com apenas o 2º e 4º pontos-chave retidos. (F) Exemplo de correção do resultado em E. Comparado com a correção de todos os pontos-chave (C → D), limitar a correção a dois pontos (C → E → F) reduz o número de edições necessárias. A barra laranja no canto inferior direito de cada imagem C-F indica uma barra de escala de 5 cm. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig3large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figura 4" class="xfigimg" src="/files/ftp_upload/69506/69506fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 4"> 
Figura 4: Fluxo de trabalho para rastrear o vídeo do marcador virtual. Esta figura está relacionada à etapa 3 do protocolo. (A) Os painéis são adaptados da Figura 1B e ilustram o Processo III (rastreamento do vídeo do marcador virtual) mostrado na Figura 1A. Cada indivíduo é colocado em um contorno pontilhado para maior clareza do alvo de rastreamento. Neste exemplo, indivíduos com marcadores virtuais pretos, cinzas e brancos são rastreados como rótulos roxos, verdes e vermelhos, respectivamente. No Exemplo 1, o marcador virtual cinza está ausente, mas vmTracking mantém o rastreamento de identidade correto. No Exemplo 2, o marcador cinza aparece em dois indivíduos, mas o rastreamento permanece correto. A barra laranja no canto inferior direito de cada imagem indica uma barra de escala de 1 cm. (BD) Instantâneos de quadros usados para rotulagem durante vmTracking. Nesta etapa, saDLC é usado, com cada ponto-chave definido para incluir informações individuais e de partes do corpo. A rotulagem especifica qual parte do corpo de qual indivíduo é representado. A barra laranja no canto inferior direito de cada imagem indica uma barra de escala de 5 cm. (B) Instantâneo de um quadro antes da rotulagem. (C) Instantâneo do quadro em B após a rotulagem. (D) Instantâneo de um quadro diferente de C após a rotulagem. Mesmo em quadros diferentes (por exemplo, C e D), a rotulagem mantém a identidade individual usando o marcador virtual como uma sugestão, conforme indicado por cores consistentes do rótulo. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig4large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figura 5" class="xfigimg" src="/files/ftp_upload/69506/69506fig5.jpg" data-altupdatedat="1783400419000" data-alt="Figure 5"> 
Figura 5: Fluxo de trabalho para mesclar resultados de rastreamento com um vídeo sem marcador para produzir um vídeo de rastreamento sem marcadores virtuais. Esta é uma etapa opcional relacionada à NOTA na Etapa 3.8.2. (A) Quando os resultados de rastreamento são aplicados ao vídeo do marcador virtual, o vídeo de rastreamento resultante retém os marcadores virtuais (vmTrackingvm+). As setas amarelas indicam os marcadores virtuais visíveis na saída. Em vez disso, aplicar os resultados de rastreamento ao vídeo original sem marcadores produz um vídeo de rastreamento sem marcadores virtuais (vmTrackingvm-), adequado para apresentação ou outras finalidades. A barra laranja no canto inferior direito de cada imagem indica uma barra de escala de 1 cm. (B, C) Gerenciamento de arquivos na pasta "vídeos" do diretório do projeto ao aplicar os resultados do vmTracking a um vídeo sem marcador. A caixa laranja ilustra esquematicamente o conteúdo da pasta. (B) A pasta "vídeos" depois de gerar um vídeo de rastreamento vmTracking, enviando os resultados do rastreamento para o vídeo do marcador virtual (mostrado esquematicamente como '4. Rótulos no vídeo do marcador virtual'). (C) Preparando a pasta "videos" para enviar resultados vmTracking para o vídeo sem marcador. Mova ou renomeie o '1. Vídeo do marcador virtual' e '4. Rótulos nos arquivos de vídeo do marcador virtual do painel B para que sejam excluídos da pasta. O problema não são os arquivos em si, mas que seus nomes de arquivo originais interferem no processamento. Em seguida, coloque o '5. Vídeo sem marcador' na pasta, renomeando-o para corresponder ao nome do arquivo de vídeo do marcador virtual original (por exemplo, VMvideo.MP4). Nesse estado, a execução de Criar vídeos novamente produz um vídeo de rastreamento com os resultados aplicados ao vídeo sem marcador ('6. Rótulos em vídeo sem marcador'). Esta figura foi modificada de Azechi &amp; Takahashi, 2025, PLOS Biology (CC BY 4.0)7. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig5large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figura 6" class="xfigimg" src="/files/ftp_upload/69506/69506fig6.jpg" data-altupdatedat="1783400419000" data-alt="Figure 6"> 
Figura 6: Avaliação da precisão do rastreamento com vmTracking. (AH) Comparação entre maDLC e vmTracking para as proporções de correspondências. (A), falsos negativos (B), falsos positivos (C) e chaves de ID (D) em 12 cenas lotadas (CR) e correspondências (E), falsos negativos (F), falsos positivos (G) e chaves de ID (H) em 8 cenas não lotadas (nCR). Os gráficos representam os valores medidos para cada cena e as barras representam os valores médios calculados a partir deles. As comparações estatísticas foram realizadas por meio do teste dos postos sinalizados de Wilcoxon. (I) Relação entre o número de quadros anotados em CR e as proporções de correspondências e falsos negativos. A caixa verde à direita mostra uma visão ampliada da área delimitada pelas linhas pontilhadas verdes no painel esquerdo. Os gráficos representam os valores médios. (J) Relação entre a precisão do marcador virtual e o rastreamento de correspondências em cenas CR e nCR. A precisão do marcador virtual foi categorizada para cada par de marcadores em seis tipos: ambos os pontos atribuídos corretamente ao indivíduo correto, um correto e um ausente, um correto e um incorreto, ambos incorretos, um incorreto e um ausente e ambos ausentes. Para cada cena, as proporções dessas categorias são mostradas como barras empilhadas, com a correspondência de rastreamento correspondente para essa cena indicada acima de cada barra. As cenas são organizadas em ordem crescente de correspondência de rastreamento da esquerda para a direita, separadamente para cenas CR e nCR. Cenas de RC: n = 12; Cenas nCR: n = 8. p &lt; 0,001, **p &lt; 0,01, *p &lt; 0,05. Esta figura foi modificada de Azechi e Takahashi (2025)9. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig6large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
Figura suplementar 1: Instantâneo da janela principal no DeepLabCut multi-animal, mostrando a localização de cada guia de operação. Os instantâneos ilustram, com setas, as guias usadas em cada etapa do procedimento vmTracking. As imagens foram capturadas da GUI do DeepLabCut (versão 2.2.3). <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%201.tiff" target="_blank">Clique aqui para baixar esta figura.</a>
Figura suplementar 2: Instantâneo da janela principal no DeepLabCut de um único animal, mostrando a localização de cada guia de operação. Os instantâneos ilustram, com setas, as guias usadas em cada etapa do procedimento vmTracking. As imagens foram capturadas da GUI do DeepLabCut (versão 2.2.3). <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%202.tiff" target="_blank">Clique aqui para baixar esta figura.</a>
Vídeo Suplementar 1: Comparação do DeepLabCut multi-animal e do vmTracking no rastreamento de três camundongos. Este vídeo comparativo mostra o desempenho do DeepLabCut (maDLC; à esquerda) e do vmTracking (à direita) durante o rastreamento de três camundongos. O vídeo vmTracking foi gerado substituindo o vídeo do marcador virtual pelo vídeo original sem marcador, seguindo o procedimento descrito na NOTA da Etapa 3.8.2, para apresentar os resultados do rastreamento sem marcadores virtuais. Para cada método de rastreamento, as identidades individuais são indicadas usando rótulos de cores da mesma família de cores para facilitar a comparação. Ao longo do vídeo, o vmTracking mostra menos casos em que partes do corpo pertencentes a diferentes indivíduos são detectadas, em comparação com o maDLC. Notavelmente, por volta dos 15-17 s, o maDLC identifica erroneamente os indivíduos com rótulo verde e vermelho, resultando em uma troca de suas identidades atribuídas. <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Video%201.mp4" target="_blank">Clique aqui para baixar este arquivo.</a>

Utilizando o vmTracking para melhorar a precisão da estimativa de poses de vários animais em estudos de comportamento social de roedores

In social behavior research using rodents, there is a growing demand for evaluating more natural interactive behaviors under freely moving conditions. ...

Nosso objetivo é entender as interações sociais em camundongos em movimento livre, desenvolvendo métodos precisos de rastreamento multi-animais. Alcançar o rastreamento preciso da pose com identificação confiável individual em condições de múltiplos animais continua sendo difícil. Para começar, crie um novo projeto multi-animal selecionando Gerenciar Projeto para rastreamento de vídeo sem marcadores.Modificar os campos de indivíduos e partes do corpo na configuração. Arquivo YAML, de acordo com os requisitos de análise. Selecione Extrair Quadros para extrair quadros do vídeo para rotulagem e treinamento.Em seguida, rotule cada frame extraído selecionando Dados de Rótulo. Atribua as partes do corpo apropriadas a cada indivíduo visível sem necessariamente manter IDs consistentes entre os quadros. Para criar um conjunto de dados de treinamento a partir dos quadros extraídos, selecione criar Conjunto de Dados de Treinamento.Configure a rede para DLCRNet_ms5 na configuração. Selecione Treinar para começar a treinar a rede. Defina o parâmetro máximo de iterações para 200.000 para esta sessão de treinamento.Todos os outros parâmetros de treinamento podem permanecer em seus valores padrão. Avalie a rede treinada selecionando Avaliar. Para executar estimativas de pose nos vídeos selecionados, escolha Analisar Vídeos Gerando Dados de Coordenadas HDF5 e outros arquivos de saída na pasta de vídeos dentro da pasta do projeto.Para realizar a verificação manual dos resultados de rastreamento, crie um vídeo de rastreamento rotulado selecionando Criar Vídeos. Ative a opção de criar vídeo com ID de animal colorido na interface do DLC para incluir IDs individuais no vídeo. Depois, inspecione os vídeos rotulados gerados para verificar se há mudanças de identidade ou previsões ausentes.Se houver erros graves, prepare-se para requalificação. Retreinar, extrair e anotar quadros de outlier. Selecione extrair ou refinar valores atípicos.Uma vez concluída a anotação, clique em Molhar Conjunto de Dados para prosseguir automaticamente para a criação do conjunto de dados de treinamento. E então repita o processo de treinamento. Para corrigir os resultados do DLC multi-animais, abra a interface personalizada e mantenha apenas os pontos-chave necessários para marcadores virtuais.Selecione Refine Tracklets para corrigir o arquivo HDF5 contendo apenas os pontos-chave selecionados. Ajuste os pontos-chave para que todos mantenham uma identificação consistente ao longo do vídeo. Salve o arquivo e o arquivo HDF5 na pasta de vídeos será atualizado automaticamente.Em seguida, crie um novo vídeo rotulado a partir dos dados corrigidos selecionando Criar Vídeos. No DeepLabCut 2.2, se um vídeo rotulado já existir na pasta de vídeos, um novo vídeo não será criado. Remova, renomeie ou mova o arquivo existente antes de prosseguir.Renomeie o vídeo marcador virtual rotulado para um nome curto para evitar erros durante o processamento posterior do DeepLabCut. Crie um novo projeto saDLC selecionando Gerenciar Projeto para acompanhar o vídeo do marcador virtual. Na configuração.Arquivo yaml, liste todas as combinações de indivíduos e partes do corpo no campo de partes do corpo. Para extrair quadros do vídeo marcador virtual renomeado, selecione Extrair Quadros. Agora rotule cada quadro extraído nos dados do rótulo usando os marcadores virtuais para atribuir IDs individuais consistentes e garantir que tanto IDs quanto partes do corpo coincidam entre os quadros.Quando uma parte do corpo está parcialmente escondida, mas o ID do indivíduo é conhecido, estime-se sua posição e aplique o rótulo de acordo. Crie um conjunto de dados de treinamento a partir dos quadros extraídos selecionando Criar Conjunto de Dados de Treinamento. Configure a rede para a rede eficiente B0 para esta sessão de treinamento.Comece a treinar a rede selecionando Trem. Defina o parâmetro máximo de iterações para 200.000 para esta sessão, e todas as outras configurações podem permanecer em seus valores padrão. Após avaliar a rede treinada, realize a verificação manual conforme demonstrado anteriormente.Em cenas lotadas, o rastreamento de VM alcançou uma porcentagem de correspondência significativamente maior que o maDLC. O número de falsos negativos foi significativamente menor com rastreamento de VM do que com maDLC. No entanto, não havia diferença entre rastreamento de VM e maDLC em contagem de falsos positivos e de trocadores de ID.Em cenas sem lotação, o rastreamento de VM alcançou uma porcentagem de correspondência significativamente maior que o maDLC. O número de falsos negativos foi significativamente menor com rastreamento de VM do que com maDLC. Não houve diferença na contagem de falsos positivos e trocas de ID entre rastreamento de VM e maDLC.Em cenas lotadas, a porcentagem de partidas no maDLC estabilizou em cerca de 85% após cerca de 400 quadros anotados sem melhorias adicionais. Enquanto o rastreamento de VMs mostrou um aumento constante até cerca de 95%, em torno de 1.000 quadros. No maDLC, aumentar o número de quadros anotados não reduziu o número de falsos negativos.Cenas com maior proporção de marcadores virtuais corretamente atribuídos tendiam a apresentar percentuais de correspondência mais altos. No entanto, algumas cenas como a 3 e a 11 ainda apresentavam altas porcentagens de correspondência, apesar de muitas atribuições incorretas ou marcadores faltando. Nosso protocolo resolve a falta de manutenção confiável da identidade no rastreamento de poses entre vários animais.Ele melhora a precisão do acompanhamento da pose ao combinar marcadores virtuais com ferramentas já existentes. Nossas pesquisas futuras usarão esses dados para abordar como a dinâmica de grupo molda os comportamentos sociais em camundongos.

utilizing-vmtracking-to-improve-accuracy-multi-animal-pose-estimation

Research

JoVE Journal

Behavior

Comportamento

Aqui nós apresentamos um protocolo para controlar individualmente os animais durante um longo período de tempo. Ele usa a visão computacional, métodos para identificar um conjunto de marcas construídos manualmente usando um grupo de lagostas como estudo de caso, simultaneamente, fornecendo informações sobre como a casa, manipulam e marcam as lagostas.

Acompanhamento a longo prazo de vídeo de animais aquáticos, Cohoused: um estudo de caso da atividade locomotora diária do lagostim (Nephrops norvegicus)

Aqui, apresentamos métodos para estudo da elevado-produção de uma série do mexicano cavefish comportamentos e coloração vital de um sistema de mechanosensory. Esses métodos usam scripts de software livre e sob medidos, fornecendo um método prático e econômico para os estudos de comportamentos.

Acompanhamento comportamental e Neuromast imagem de Cavefish mexicano

Aqui apresentamos um protocolo para coleta e análise da cinemática tridimensional da locomoção quadrupedal em roedores para estudos pré-clínicos.

Análise de marcha cinemática 3D para estudos pré-clínicos em roedores

Descrito aqui é um novo sistema experimental automatizado que oferece uma alternativa ao teste de três câmaras e também resolve várias ressalvas. Este sistema fornece múltiplos parâmetros comportamentais que permitem uma análise rigorosa da dinâmica comportamental de pequenos roedores durante os testes de preferência de preferência social e novidade social.

Um sistema para acompanhar a dinâmica do comportamento de preferência social em pequenos roedores

O papel dos genes recentemente descobertos associados à doença na patogênese das doenças neuropsiquiátricas permanece obscuro. Um bilateral modificado na técnica de eletroporação uterómis permite a transferência genética em grandes populações de neurônios e o exame dos efeitos causadores das mudanças na expressão genética no comportamento social.

Um pipeline usando eletroporação bilateral no útero para interrogar influências genéticas no comportamento dos roedores

Este protocolo descreve como construir uma pequena e versátil câmera de vídeo, e como usar vídeos obtidos a partir dele para treinar uma rede neural para rastrear a posição de um animal dentro de câmaras de condicionamento operantes. Este é um complemento valioso às análises padrão de registros de dados obtidos a partir de testes de condicionamento operantes.

Rastreando ratos em câmaras de condicionamento operantes usando uma versátil câmera de vídeo caseira e deeplabcut

Este protocolo fornece uma estrutura integrada baseada em métodos neuroetológicos computacionais avançados para entender a codificação cerebral em contextos naturalistas.

Decodificando o comportamento natural da incorporação neuroetológica

Esse protocolo estabelece uma pipeline de avaliação cinemática do membro posterior do rato usando um teste de esteira sem marcadores com auto-rotulagem de trajetória multiarticular orientada por aprendizado profundo, que permite quantificação reprodutível do movimento.

Rastreamento Síncrono Multiarticular Baseado em Deep Learning para Quantificação Objetiva da Cinemática Locomotrica do Membro Posterior em Ratos

Um procedimento que permite uma demonstração de aumento robusto de droga que procura, em ratos com restrição de alimentos é descrito. Após o treinamento de auto-administração de heroína, os ratos passam por um período de abstinência, em um ambiente livre de drogas, durante a qual eles são levemente restrição alimentar. Procura de droga é então testada no ambiente associadas à droga.

Um procedimento para estudar o efeito da restrição alimentar prolongada em heroína Buscando em ratos abstinentes

Um procedimento para o estudo da capacidade de um álcool associado contexto ambiental para desencadear a renovação do comportamento de procura de álcool em ratos, está descrito.

Um procedimento para Observar Renovação induzida por Contexto de pavloviano condicionado Comportamento Álcool-seeking em Ratos

Aprenda o método vmTracking para rastreamento de poses em animais em grupo, melhorando a precisão em estudos de interações sociais de roedores. Esta técnica oferece dados confiáveis para análise comportamental em ambientes semi-naturais.

Utilizando o vmTracking para melhorar a precisão da estimativa de poses de vários animais em estudos de comportamento social de roedores (Vídeo) | JoVE Journal

Utilizando o vmTracking para melhorar a precisão da estimativa de poses de vários animais em estudos de comportamento social de roedores

Explorar mais vídeos