Automatické rozpoznání sociálních interakcí potkanů z videosekvencí

Abstract

Alzheimerova choroba (ACH) je nejčastější příčinou demence. Narušení sociálního chování je často časným příznakem ACH, který se typicky objevuje před nástupem poruch v oblasti kognitivních funkcí. Hlavním cílem této práce je vytvoření algoritmů pro automatickou detekci a klasifikaci různých typů specifických sociálních interakcí u transgenních potkanů TgF344-AD - animálního modelu Alzheimerovy choroby. Potkani byli pozorováni pomocí kamer z více úhlů, což umožnilo sledovat pohyb potkanů v trojrozměrném souřadnicovém systému. Potkani byli pozorováni během testu sociální interakce, při němž se neznámí jedinci primárně zkoumají očicháváním anogenitální oblasti, hlavy nebo zbytku těla v uzavřené aréně. Práce prezentuje implementaci vhodných metod rozpoznávání akcí, vytvoření datových sad obsahujících akce potkanů, využití softwaru jako je DeepLabCut pro získání polohy potkanů a využití více kamerových pohledů pro zlepšení odhadu polohy a sledování identity potkanů. Naše metody spolehlivě klasifikovaly akce potkanů a, pokud to bylo platné, iniciátora akce. Práce také zahrnuje statistickou analýzu pro porovnání sociálních interakcí u potkanů TgF344-AD a F344 (kontrolní skupina), s využitím klasifikace z vyvinutých metod na získaných videozáznamech. Nenašli jsme žádné významné rozdíly mezi TgF344-AD a F344 ve vybraných akcích.

Alzheimer's disease (AD) is the most common cause of dementia. Disruption in social behavior is often an early symptom of AD, typically appearing before the onset of cognitive domain symptoms. The main focus of this work is the creation of algorithms for the automatic detection and classification of various types of specific social interactions in transgenic TgF344-AD rats - an animal model of Alzheimer's disease. The rats were observed using cameras from multiple views, which allowed the assessment of the rat's motion in a 3D coordinate frame. The rats were observed during a social interaction test, in which unfamiliar individuals primarily examine each other by sniffing the anogenital area, head, or the rest of the body in a closed arena. The work presents the implementation of suitable action recognition methods, the creation of datasets comprehending the rat's actions, utilizing software such as DeepLabCut to obtain the pose of the rats, and utilizing the multiple camera views to improve the rat's estimated pose and identity tracking. Our methods managed to classify the rat's actions reliably and, if applicable, the initiator of the action. The work also includes a statistical analysis to compare the social interactions in TgF344-AD and F344 rats (control group), using the predictions from the developed methods on the obtained video footage. We did not find any significant differences between the TgF344-AD and F344 in denoted actions.