3D поза мыши из сингла

Том 13 научных докладов, Номер статьи: 13554 (2023) Цитировать эту статью

369 Доступов

1 Альтметрика

Подробности о метриках

Мы представляем метод определения трехмерной позы мышей, включая конечности и ступни, по монокулярным видео. Многие клинические состояния человека и соответствующие им модели животных приводят к аномальному движению, а точное измерение трехмерного движения в масштабе дает представление о здоровье. 3D-позы улучшают классификацию атрибутов, связанных со здоровьем, по сравнению с 2D-представлениями. Предполагаемые позы достаточно точны, чтобы оценить длину шага, даже когда ступни в основном закрыты. Этот метод может применяться как часть системы непрерывного мониторинга для неинвазивного измерения здоровья животных, о чем свидетельствует его использование для успешной классификации животных на основе возраста и генотипа. Мы представляем набор данных для анализа поз мыши, первый крупномасштабный набор видеоданных о лабораторных мышах в их домашней клетке с ключевыми точками и метками поведения. Набор данных также содержит компьютерные томограммы мыши с высоким разрешением, которые мы используем для построения моделей формы для трехмерной реконструкции позы.

Многие клинические состояния человека и соответствующие модели животных приводят к аномальному движению1. Измерение движения является необходимым шагом в изучении здоровья этих субъектов. Что касается животных, исследователи обычно проводят измерения вручную, что требует больших затрат, ограниченного разрешения и сильного стресса для животных. В этой работе мы представляем недорогой, неинвазивный подход, основанный на компьютерном зрении, для непрерывного измерения движения лабораторных мышей в виде трехмерной позы.

Чтобы изучить модели двигательных расстройств на животных, таких как болезнь Паркинсона или тремор, или даже вообще измерить поведение, исследователи полагаются на ручные инструменты, такие как вращающийся стержень, статический турник, тесты в открытом поле или оценка человеком2,3. Разрабатываются все более сложные автоматизированные инструменты для изучения походки и передвижения4,5. Компьютерное зрение и машинное обучение открывают новые возможности измерения в домашних клетках для двумерного отслеживания или отслеживания поведения6,7,8,9,10,11,12. В то время как открытые поля — это арены без особенностей, домашняя клетка — это вольер, снабженный привычной подстилкой, едой и водой, а также дополнительными предметами, которые позволяют животным демонстрировать широкий спектр движений и поведения. На данный момент лишь немногие исследования вообще измеряют трехмерное движение в домашних клетках, и только с грубым разрешением или количеством соединений или с использованием нескольких камер13,14,15,16,17. Тем не менее, эти новые инструменты измерения открывают привлекательные возможности для нового анализа13,17,18,19.

Параллельно компьютерное зрение и машинное обучение приводят к значительным улучшениям в определении трехмерной позы человека по изображениям. Модели оптимизации кинематической модели для соответствия данным изображения20 сочетаются с улучшениями в оценке 2D-поз21,22,23. Объединив эти методы с библиотеками человеческих форм24 и поз, трехмерные оценки позы человека могут быть основаны на реальных кинематических моделях и реалистичных движениях25,26,27. Продолжающиеся исследования улучшают пространственную и временную согласованность28,29,30.

Эта работа адаптирует эти методы, первоначально разработанные для моделирования трехмерной позы человека на мышах. Мы прогнозируем 2D-ключевые точки для мышей, а затем оптимизируем их для 3D-позы с учетом априорных данных, полученных на основе данных. Чтобы сделать вывод о человеческих позах, легко доступны базы данных человеческих форм, поз, 2D-ключевых точек и 3D-ключевых точек, но ни одна из них не доступна для мышей. Отсутствие данных создало уникальные проблемы для точного определения 3D-поз. Мы преодолеваем эти проблемы, собирая новые данные и адаптируя их при необходимости. Мы разрабатываем наши алгоритмы и собираем данные для достижения двух целей.

Масштабируемость. Алгоритмы способны непрерывно наблюдать за мышами в их домашней клетке в течение длительного времени и могут делать это в большом количестве клеток одновременно. Хотя анализ в открытом поле является одним из наиболее часто используемых в исследованиях, он вызывает стресс у животного и приводит к отклонению результатов исследования. Домашние клетки обеспечивают испытуемым наиболее естественные условия и способствуют объективным исследованиям физиологических и поведенческих особенностей31. Измерение активности во множестве домашних клеток ставит новые задачи15 и требует надежных алгоритмов.