Pose de souris 3D à partir d'un seul
Rapports scientifiques volume 13, Numéro d'article : 13554 (2023) Citer cet article
303 Accès
1 Altmétrique
Détails des métriques
Nous présentons une méthode pour déduire la pose 3D de souris, y compris les membres et les pieds, à partir de vidéos monoculaires. De nombreuses conditions cliniques humaines et leurs modèles animaux correspondants entraînent des mouvements anormaux, et la mesure précise du mouvement 3D à grande échelle offre un aperçu de la santé. Les poses 3D améliorent la classification des attributs liés à la santé par rapport aux représentations 2D. Les poses déduites sont suffisamment précises pour estimer la longueur de la foulée même lorsque les pieds sont en grande partie occlus. Cette méthode pourrait être appliquée dans le cadre d’un système de surveillance continue pour mesurer de manière non invasive la santé animale, comme le démontre son utilisation pour classer avec succès les animaux en fonction de leur âge et de leur génotype. Nous présentons le Mouse Pose Analysis Dataset, le premier ensemble de données vidéo à grande échelle de souris de laboratoire dans leur cage domestique avec des points clés de vérité terrain et des étiquettes de comportement. L'ensemble de données contient également des tomodensitogrammes de souris haute résolution, que nous utilisons pour créer les modèles de forme pour la reconstruction de pose 3D.
De nombreuses conditions cliniques humaines et les modèles animaux correspondants entraînent des mouvements anormaux1. Mesurer le mouvement est une étape indispensable pour étudier la santé de ces sujets. Pour les sujets animaux, les chercheurs effectuent généralement des mesures manuellement, ce qui entraîne un coût élevé, une résolution limitée et un stress élevé pour les animaux. Dans ce travail, nous présentons une approche peu coûteuse et non invasive basée sur la vision par ordinateur pour mesurer en continu le mouvement sous forme de pose 3D de souris de laboratoire.
Pour étudier des modèles animaux de troubles du mouvement, comme la maladie de Parkinson ou les tremblements, ou même mesurer de manière générale le comportement, les chercheurs s'appuient sur des outils manuels comme la tige rotative, la barre horizontale statique, les tests en champ ouvert ou le scoring humain2,3. Des outils automatisés de plus en plus complexes pour étudier la démarche et la locomotion sont en cours de développement4,5. La vision par ordinateur et l'apprentissage automatique créent de nouvelles opportunités de mesure dans les environnements de cage domestiques pour le suivi ou le comportement 2D6,7,8,9,10,11,12. Alors que les champs ouverts sont des arènes sans caractéristiques, une cage domestique est un enclos meublé de litière, de nourriture et d'eau familières, ainsi que d'éléments d'enrichissement qui permettent aux animaux de présenter un large éventail de mouvements et de comportements. Jusqu'à présent, seules quelques études mesurent le mouvement 3D dans les cages domestiques, et uniquement avec une résolution ou un nombre d'articulations grossier ou nécessitant plusieurs caméras13,14,15,16,17. Néanmoins, ces nouveaux outils de mesure offrent des opportunités intéressantes pour de nouvelles analyses13,17,18,19.
En parallèle, la vision par ordinateur et l’apprentissage automatique conduisent à de grandes améliorations dans la détermination de la pose humaine en 3D à partir d’images. Les modèles permettant d'optimiser un modèle cinématique pour s'adapter aux données d'image20 sont associés à des améliorations dans l'estimation des poses 2D21,22,23. En combinant ces méthodes avec des bibliothèques de formes humaines24 et de poses humaines, les estimations de poses humaines en 3D peuvent être fondées sur des modèles cinématiques réels et des mouvements réalistes25,26,27. Les recherches en cours améliorent la cohérence spatiale et temporelle28,29,30.
Ce travail adapte ces techniques initialement développées pour déduire une pose humaine en 3D à des souris. Nous prédisons les points clés 2D pour les souris, puis optimisons la pose 3D en fonction des priorités tirées des données. Pour déduire les poses humaines, des bases de données de formes humaines, de poses, de points clés 2D et de points clés 3D sont facilement disponibles, mais aucune d'entre elles n'est disponible pour les souris. Le manque de données présentait des défis uniques pour déduire avec précision les poses 3D. Nous surmontons ces défis en collectant de nouvelles données et en nous adaptant si nécessaire. Nous concevons nos algorithmes et collectons des données pour atteindre deux objectifs.
Évolutivité. Les algorithmes sont capables de surveiller les souris dans leur cage d’origine en continu pendant une durée prolongée, et ce sur un grand nombre de cages en même temps. Bien que le test en champ ouvert soit l’un des tests les plus couramment utilisés en recherche, il induit un stress chez l’animal et une variation des résultats de l’étude. Les cages domestiques offrent aux sujets le cadre le plus naturel et facilitent des études physiologiques et comportementales impartiales31. Les mesures des activités dans une multitude de cages domestiques posent de nouveaux défis15 et nécessitent des algorithmes robustes.