DeepLabcutは、げっ歯類の移動のX線ビデオ分析におけるマーカーのない追跡効率を向上させる

人間の疾患と傷害を研究するラットモデルの有病率にもかかわらず、骨格の動きを通じて行動を定量化するための既存の方法は、光学ビデオ分析に関連する皮膚の動きの不正確さ、または侵襲的な埋め込みマーカーまたはX線ビデオのための時間のかかるマニュアルロトスコープのために問題があります。アプローチ。機械学習ツールであるDeepLabcutの使用を検討して、機関車のバイプラナーX線ビデオで自動化されたマーカーレストラッキングを実行しました。モデルは、590ペアのビデオフレームでトレーニングされ、骨盤肢の19のユニークな骨格ランドマークを識別しました。精度、精度、時間の節約が評価されました。手動でラベル付けされた対応物から2.4±0.2 mm（n = 1710ランドマーク）から逸脱した機械識別ランドマーク。DeepLabcutは、手動のラベルと比較して、分析時間を3桁以上（1627×）に短縮しました。これらのモデルの分布により、外科的に移植されたマーカーを必要とせずに、ほんの数分の1で大量の正確なX線運動学の移動データを処理することができます。

Despite the prevalence of rat models to study human disease and injury, existing methods for quantifying behavior through skeletal movements are problematic owing to skin movement inaccuracies associated with optical video analysis, or require invasive implanted markers or time-consuming manual rotoscoping for X-ray video approaches. We examined the use of a machine learning tool, DeepLabCut, to perform automated, markerless tracking in bi-planar X-ray videos of locomoting rats. Models were trained on 590 pairs of video frames to identify 19 unique skeletal landmarks of the pelvic limb. Accuracy, precision and time savings were assessed. Machine-identified landmarks deviated from manually labeled counterparts by 2.4±0.2 mm (n=1710 landmarks). DeepLabCut decreased analysis time by over three orders of magnitude (1627×) compared with manual labeling. Distribution of these models may enable the processing of a large volume of accurate X-ray kinematics locomotion data in a fraction of the time without requiring surgically implanted markers.