对DeepLabCut卷积神经网络架构进行比较评估,用于在小鼠阶梯测试中高精度无标记追踪.
Valentin Fernandez1, Landoline Bonnin2, Afsaneh Gaillard1
1LNEC INSERM U1084, University of Poitiers, 86073 Poitiers, France.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
为DeepLabCut (DLC) 选择合适的AI模型 (CNN骨干) 显著改善了神经学研究中的精细运动行为分析. 多尺度DLCRNet架构为追踪到达运动提供了卓越的准确性和效率.
科学领域:
- 神经科学是一个神经科学.
- 行为科学 行为科学
- 机器学习 机器学习
背景情况:
- 使用DeepLabCut (DLC) 进行无标记姿势估计对于分析精细运动行为至关重要.
- 卷积神经网络 (CNN) 脊柱选择影响DLC跟踪性能,特别是在小关节和闭塞方面.
研究的目的:
- 系统地比较DLC中的九个CNN架构,用于分析动物的伸展运动.
- 根据准确性,稳定性,速度和计算资源使用情况来评估模型性能.
主要方法:
- 使用蒙托亚阶梯测试对熟练的前肢伸展控制和M1受伤的小鼠.
- 在DLC中实现并比较了九个不同的CNN架构.
- 使用RMSE,PCK@5 px,mAP,阻塞强度,推断速度和GPU内存等指标评估性能.
主要成果:
- 多尺度的DLCRNet架构显著超过了传统的骨干.
- DLCRNet_ms5显示了最高的整体空间精度.
- DLCRNet_stride16_ms5提供了精度和计算效率之间的最佳权衡.
结论:
- 在临床前研究中,CNN架构选择对于可靠的精细运动行为量化至关重要.
- DLCRNet架构为行为表型化提供了增强的性能.
- 这些发现为使用DLC的神经科学实验室提供了实际指导.
