DeepFace:一个高精度和可扩展的深度学习管道,用于从小鼠的面部动态预测大规模的大脑活动
Kemal Ozdemirli1,2, Tenesha Connor1,3, Kaleb Kim1,4
1Department of Neuroscience, Cleveland Clinic Lerner Research Institute, Cleveland, OH, USA.
bioRxiv : the preprint server for biology
|July 15, 2025
概括
DeepFace通过改进现有的工具来增强鼠标面部跟踪和大脑活动预测. 这种可扩展的管道促进了对高通量神经科学研究的行为量化.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 动物行为分析.
背景情况:
- 在临床前研究中,准确的口腔表情跟踪对于理解大脑行为关系至关重要.
- 现有的工具面临着可扩展性挑战,限制了高吞吐量分析.
- 皮层活动预测需要精确的行为量化.
研究的目的:
- 为了介绍DeepFace,一个新的面部分析管道.
- 为了增强小鼠的口腔面部跟踪和皮质活动预测.
- 解决行为量化中的可扩展性瓶问题.
主要方法:
- 在DeepLabCut和Facemap的基础上构建了DeepFace.
- 它提供高精度和可定制的关键点.
- 使用可扩展批处理和高性能计算.
主要成果:
- 在各种GCaMP系列 (GCaMP6s,GCaMP6f,jGCaMP8m) 中,DeepFace表现出强大的性能.
- 该管道显著改善了行为量化.
- 能够进行高通量大脑行为分析.
结论:
- DeepFace提供了一个可扩展和精确的解决方案,用于小鼠的面部分析.
- 它促进了大规模的临床前神经科学研究.
- 推动了详细的行为数据与神经活动的整合.
