Pose de mouse 3D de solteiro
Scientific Reports volume 13, Artigo número: 13554 (2023) Citar este artigo
303 Acessos
1 Altmétrico
Detalhes das métricas
Apresentamos um método para inferir a pose 3D de ratos, incluindo membros e pés, a partir de vídeos monoculares. Muitas condições clínicas humanas e seus modelos animais correspondentes resultam em movimentos anormais, e a medição precisa do movimento 3D em escala oferece insights sobre a saúde. As poses 3D melhoram a classificação dos atributos relacionados à saúde em relação às representações 2D. As posturas inferidas são precisas o suficiente para estimar o comprimento da passada mesmo quando os pés estão quase ocluídos. Este método poderia ser aplicado como parte de um sistema de monitoramento contínuo para medir de forma não invasiva a saúde animal, como demonstrado pelo seu uso na classificação bem-sucedida de animais com base na idade e no genótipo. Apresentamos o conjunto de dados de análise de pose de mouse, o primeiro conjunto de dados de vídeo em grande escala de ratos de laboratório em sua gaiola com pontos-chave e rótulos de comportamento. O conjunto de dados também contém tomografias computadorizadas de mouse de alta resolução, que usamos para construir modelos de forma para reconstrução de pose 3D.
Muitas condições clínicas humanas e os modelos animais correspondentes resultam em movimentos anormais1. Medir o movimento é uma etapa necessária no estudo da saúde desses sujeitos. Para animais, os pesquisadores normalmente realizam medições manualmente com alto custo, resolução limitada e alto estresse para os animais. Neste trabalho, apresentamos uma abordagem baseada em visão computacional, de baixo custo e não invasiva, para medir continuamente o movimento como pose 3D de ratos de laboratório.
Para estudar modelos animais de distúrbios do movimento, como doença de Parkinson ou tremor, ou mesmo medir o comportamento em geral, os pesquisadores contam com ferramentas manuais, como rotarod, barra horizontal estática, testes de campo aberto ou pontuação humana2,3. Ferramentas automatizadas cada vez mais complexas para estudar a marcha e a locomoção estão sendo desenvolvidas4,5. A visão computacional e o aprendizado de máquina estão criando novas oportunidades de medição em ambientes domésticos para rastreamento ou comportamento 2D6,7,8,9,10,11,12. Enquanto os campos abertos são arenas sem características, a gaiola é um recinto mobiliado com roupas de cama, comida e água familiares, além de itens de enriquecimento que permitem aos animais exibir uma ampla gama de movimentos e comportamentos. Até agora, apenas alguns estudos medem o movimento 3D em gaiolas domésticas, e apenas com resolução grosseira ou número de juntas ou exigindo múltiplas câmeras . No entanto, estas novas ferramentas de medição oferecem oportunidades atraentes para novas análises13,17,18,19.
Paralelamente, a visão computacional e o aprendizado de máquina estão levando a grandes melhorias na determinação da pose 3D humana a partir de imagens. Modelos para otimizar um modelo cinemático para ajustar dados de imagem20 estão sendo combinados com melhorias na estimativa de poses 2D21,22,23. Ao combinar esses métodos com bibliotecas de formas humanas24 e poses humanas, as estimativas de poses humanas em 3D podem ser baseadas em modelos cinemáticos reais e movimentos realistas25,26,27. A investigação em curso está a melhorar a coerência espacial e temporal28,29,30.
Este trabalho adapta essas técnicas originalmente desenvolvidas para inferir poses humanas em 3D em ratos. Prevemos pontos-chave 2D para ratos e depois otimizamos para a pose 3D sujeita aos dados anteriores aprendidos. Para inferir poses humanas, bancos de dados de formas humanas, poses, pontos-chave 2D e pontos-chave 3D estão prontamente disponíveis, mas nenhum deles está disponível para ratos. A falta de dados apresentou desafios únicos para inferir poses 3D com precisão. Superamos esses desafios coletando novos dados e adaptando-os quando necessário. Projetamos nossos algoritmos e coletamos dados para atingir dois objetivos.
Escalabilidade. Os algoritmos são capazes de monitorar camundongos em suas gaiolas continuamente por um período prolongado e podem fazê-lo em um grande número de gaiolas ao mesmo tempo. Embora o ensaio de campo aberto seja um dos ensaios mais utilizados em pesquisas, ele induz estresse ao animal e variação no resultado do estudo. As gaiolas caseiras proporcionam aos sujeitos os ambientes mais naturais e facilitam estudos fisiológicos e comportamentais imparciais . As medições de atividades em uma infinidade de gaiolas apresentam novos desafios15 e exigem algoritmos robustos.