果蠅行為追蹤的雙重利器:TOLC設備與DeepLabCut深度學習工具的比較與應用

這篇發表在IEEE的論文主要探討了傳統設備TOLC(透明全方向運動補償器)與新型深度學習工具DeepLabCut在果蠅行為追蹤中的應用及效果差異。研究的目標是比較TOLC與DeepLabCut在行為追蹤的準確性、應用性及未來潛力上的不同,並探討這兩種方法在行為科學中的潛在結合。

研究方法
TOLC設備由透明球體、全方向輪以及近紅外線攝像機組成,提供穩定的運動補償效果,使果蠅在球體上自由行走的同時,系統可以準確捕捉其位置和運動狀態。相較之下,DeepLabCut基於ResNet-50深度學習架構進行訓練,透過多層卷積處理影像,再利用去卷積層對特徵圖進行上採樣,進而提高空間解析度。研究中標記了果蠅的六條腿作為觀測點,並使用不同數量的影像數據進行訓練(60,984張影像中選取100張標記,另外200張作為訓練數據)。
圖1.TOLC的設備圖。設備的裡面是一個透明的球體。供果蠅可以在上面行走。

結果分析
研究結果顯示,在中心點位置的誤差比較上,TOLC與人工標記點的距離小於DeepLabCut與人工標記點的距離,表明TOLC在標記中心點位置上有較高的準確性。而DeepLabCut則在六條腿的位置標記上表現更佳,特別是在新的測試數據集上,DeepLabCut相對較接近人工標記點的位置。此外,果蠅在行走時中心點距離較小,而在休息或前腿伸展時,中心點距離較大。這些結果說明TOLC與DeepLabCut各有優勢,前者適合於中心點位置標記,後者則在精確標記肢體位置上有更好的效果。
圖2A.是訓練數據。DeepLabCut 與人類標記之間的距離大於 TOLC 與人類標記之間的距離。
圖2B.是實驗數據。DeepLabCut 在未見過的測試資料集上比較接近人類標記的中心點位置。

結論
研究發現TOLC設備和DeepLabCut深度學習工具在果蠅行為追蹤上有不同的優勢,並且兩者可以互補,從而提供更全面的行為追蹤數據。


撰文:李庚翰


資料來源: S. Lee, B. Waugh, G. O'Dell, X. Zhao, W. -S. Yoo and D. H. Kim, "Predicting Fruit Fly Behaviour using TOLC device and DeepLabCut," 2021 IEEE 21st International Conference on Bioinformatics and Bioengineering (BIBE), IEEE 2021, pp. 1-6.

留言