Forum für Wissenschaft, Industrie und Wirtschaft

Hauptsponsoren:     3M 
Datenbankrecherche:

 

Neue Software erleichtert Tierbewegungsforschung

21.08.2018

DeepLabCut analysiert mit Künstlicher Intelligenz Bewegungsabläufe von Tieren

Eine neue Software soll künftig Tiervideos besonders schnell und präzise auswerten: Das Programm DeepLabCut wurde von einem Forschungsteam der Universitäten Tübingen und Harvard entwickelt. Die Software basiert auf maschinellem Lernen und kann nach kurzem Training Bewegungsabläufe von Tieren in Videos analysieren.


Die Software DeepLabCut analysiert Bewegungsabläufe von Tieren besonders effizient.

Ella Maru Studio


DeepLabCut erkennt Schwanz, Ohren und Schnauze der Maus, die eine Geruchsspur verfolgt.

Dr. Alexander Mathis, Murthy Laboratory, Harvard University

Es ist auf viele Versuchsanordnungen übertragbar, kann ohne Programmierkenntnisse bedient werden und ist frei im Internet verfügbar: http://mousemotorlab.org/deeplabcut. Die Ergebnisse der Wissenschaftlerinnen und Wissenschaftler zu DeepLabCut wurden nun in der Fachzeitschrift Nature Neuroscience veröffentlicht.

„Bisher war es sehr aufwändig, Bewegungen von Körperteilen in Videos zu analysieren“, erklärt Dr. Alexander Mathis, Neurowissenschaftler am Bernstein Center for Computational Neuroscience an der Universität Tübingen sowie der Harvard University „DeepLabCut lernt anhand einiger Beispielbilder, die exakte Position von Körperteilen in allen Bildern eines Videos zu bestimmen.“ Gemeinsam mit Dr. Mackenzie Mathis vom Rowland Insitute at Harvard, sowie Dr. Matthias Bethge, Professor für Computational Neuroscience and Machine Learning an der Universität Tübingen, hat er das Projekt geleitet.

Es begann mit einem doppelten Dilemma: Mackenzie Mathis wollte erforschen, wie genau das Zusammenspiel von Händen und Gehirn bei Mäusen funktioniert und hatte dafür Mäuse bei Greifbewegungen auf Video aufgezeichnet. Alexander Mathis hatte unter Laborbedingungen eine Maus gefilmt, die auf einem Laufband laufend einer Riechspur verfolgt.

Er wollte herausfinden, wie Mäuse die einzelnen Geruchsfetzen, die sich bei jedem Einatmen ergeben, zu einem Ganzen zusammenfügen. Für beide Vorhaben mussten die Forscher die Bewegungsabläufe genauestens dokumentieren, doch herkömmliche neurowissenschaftliche Methoden lieferten keine befriedigenden Ergebnisse.

Alternativ hätten sie Reflektoren auf den Versuchstieren platzieren werden können, um die Körperteilerkennung zu vereinfachen, wie es in Biomechanikstudien üblich ist. „Das kam jedoch nicht in Frage, denn solche Marker beeinträchtigen auch das Verhalten des Tieres“, erinnert sich Alexander Mathis. Sie machten sich daher auf die Suche nach einer Alternative.

Forscherkollege Matthias Bethge schlug den Mathises vor, ein bestehendes Netzwerk umzutrainieren – im Fachjargon transfer learning genannt. Denn fernab der Neurowissenschaften waren im Forschungsfeld des Maschinellen Sehens beeindruckende Methoden zur reflektorfreien Erkennung von Gliedmaßen von Menschen entwickelt worden. Diese, so glaubte Bethge, könnten als Basis für die Tierbewegungsforschung dienen. Die Mathises wählten als Grundlage den Algorithmus DeeperCut, der menschliche Körperhaltungen analysieren kann.

In der Vorbereitung lernt DeeperCut anhand hunderttausender Bilder von Katzen, Hunden, Früchten etc. zunächst viele verschiedene sogenannte visuelle Repräsentationen. Die Forscher vermuteten, dass das Netzwerk wegen dieses großen Vorwissens mit nur wenigen Beispielen zur Körperteilerkennung von Tieren umtrainiert werden kann. Ähnlich funktioniert auch das visuelle Lernen von Kindern, die neue Seherlebnisse anhand ihrer Erfahrung aus vorherigen Beobachtungen einordnen können: Ein unbekanntes faustgroßes, ballförmiges Objekt kann als Frucht eingeordnet werden ohne es gleich als Apfel identifizieren zu müssen.

Entsprechend trainierten die Forscher ihre eigenen Netzwerke auf Bildern aus Tiervideos von Mäusen und Fruchtfliegen, indem sie bei einigen Aufnahmen die zu beobachtenden Körperteile manuell markierten. Mithilfe dieses Trainings sollte der Computer auf allen übrigen Bildern der Videos die entsprechenden Körperteile erkennen und automatisch markieren können.

Der Versuch war überaus erfolgreich: Nicht nur gelang der Lerntransfer vom einen auf das andere Netzwerk, auch der geringe Trainingsaufwand ließ die Forscher staunen. Der neue Algorithmus DeepLabCut konnte bereits ab einem Trainingsdatensatz von 200 Bildern die Körperteile der jeweiligen Tiere in Bewegung erkennen und sie so präzise wie ein Mensch zuordnen.

DeepLabCut kann mit etwas Training fast jedes Tierverhalten auswerten. Das Programm entspricht einem Baukasten und ist sehr benutzerfreundlich konzipiert; Programmierkenntnisse sind hilfreich, aber nicht erforderlich. „Die Software ist frei verfügbar“, betont Mackenzie Mathis „Wir wollen, dass möglichst viele Wissenschaftler und ihre Forschung davon profitieren.“ Mehr als fünfzig Labore nutzen das Programm schon, um beispielsweise die Gangart von Pferden zu vermessen, das Kriechverhalten von Blutegeln zu erforschen oder um Bewegungen von Operationsrobotern aufzuzeichnen.

Ohne die Arbeiten zum Algorithmus DeeperCut wäre den Forschern die Entwicklung von DeepLabCut so schnell nicht möglich gewesen. Als Würdigung der Arbeit der Forscherkollegen ist daher der Name von DeepLabCut an DeeperCut eng angelehnt. „Für den wissenschaftlichen Fortschritt ist das Teilen von Ergebnissen, Daten und auch Algorithmen essentiell wichtig“, betont Bethge. „Daher haben wir DeepLabCut als Open Source Software entwickelt und freuen uns sehr über das positive Feedback unserer Forscherkollegen in den Neurowissenschaften.“

Wissenschaftliche Ansprechpartner:

Professor Matthias Bethge
Universität Tübingen
Computational Neuroscience & Machine Learning
Tel.: + 49 7071 2989017
E-Mail: matthias.bethge@uni-tuebingen.de

Dr. Isabel Suditsch
Universität Tübingen
Cyber Valley AI Unit
Tel.: +49 7071 6011924
E-Mail: isabel.suditsch@uni-tuebingen.de

Originalpublikation:

Mathis et al, DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience, August 20th, 2018. DOI: 10.1038/s41593-018-0209-y

Weitere Informationen:

http://www.mousemotorlab.org/deeplabcut
http://www.nature.com/articles/s41593-018-0209-y

Antje Karbe | idw - Informationsdienst Wissenschaft

Weitere Nachrichten aus der Kategorie Informationstechnologie:

nachricht Selbstadaptive Systeme: KI übernimmt Arbeit von Software-Ingenieuren
09.07.2020 | Universität Duisburg-Essen

nachricht Virtual Reality - Umgebung für‘s Homeoffice
09.07.2020 | Universität Stuttgart

Alle Nachrichten aus der Kategorie: Informationstechnologie >>>

Die aktuellsten Pressemeldungen zum Suchbegriff Innovation >>>

Die letzten 5 Focus-News des innovations-reports im Überblick:

Im Focus: Neue Erkenntnisse über Flüssigkeiten, die ohne Widerstand fließen

Verlustfreie Stromleitung bei Raumtemperatur? Ein Material, das diese Eigenschaft aufweist, also bei Raumtemperatur supraleitend ist, könnte die Energieversorgung revolutionieren. Wissenschaftlern vom Exzellenzcluster „CUI: Advanced Imaging of Matter“ an der Universität Hamburg ist es nun erstmals gelungen, starke Hinweise auf Suprafluidität in einer zweidimensionalen Gaswolke zu beobachten. Sie berichten im renommierten Magazin „Science“ über ihre Experimente, in denen zentrale Aspekte der Supraleitung in einem Modellsystem untersucht werden können.

Es gibt Dinge, die eigentlich nicht passieren sollten. So kann z. B. Wasser nicht durch die Glaswand von einem Glas in ein anderes fließen. Erstaunlicherweise...

Im Focus: The spin state story: Observation of the quantum spin liquid state in novel material

New insight into the spin behavior in an exotic state of matter puts us closer to next-generation spintronic devices

Aside from the deep understanding of the natural world that quantum physics theory offers, scientists worldwide are working tirelessly to bring forth a...

Im Focus: Im Takt der Atome: Göttinger Physiker nutzen Schwingungen von Atomen zur Kontrolle eines Phasenübergangs

Chemische Reaktionen mit kurzen Lichtblitzen filmen und steuern – dieses Ziel liegt dem Forschungsfeld der „Femtochemie“ zugrunde. Mit Hilfe mehrerer aufeinanderfolgender Laserpulse sollen dabei atomare Bindungen punktgenau angeregt und nach Wunsch aufgespalten werden. Bisher konnte dies für ausgewählte Moleküle realisiert werden. Forschern der Universität Göttingen und des Max-Planck-Instituts für biophysikalische Chemie in Göttingen ist es nun gelungen, dieses Prinzip auf einen Festkörper zu übertragen und dessen Kristallstruktur an der Oberfläche zu kontrollieren. Die Ergebnisse sind in der Fachzeitschrift Nature erschienen.

Das Team um Jan Gerrit Horstmann und Prof. Dr. Claus Ropers bedampfte hierfür einen Silizium-Kristall mit einer hauchdünnen Lage Indium und kühlte den Kristall...

Im Focus: Neue Methode führt zehnmal schneller zum Corona-Testergebnis

Forschende der Universität Bielefeld stellen beschleunigtes Verfahren vor

Einen Test auf SARS-CoV-2 durchzuführen und auszuwerten dauert aktuell mehr als zwei Stunden – und so kann ein Labor pro Tag nur eine sehr begrenzte Zahl von...

Im Focus: Robuste Materialien in Schwingung versetzt

Kieler Physikteam beobachtet in Echtzeit extrem schnelle elektronische Änderungen in besonderer Materialklasse

In der Physik werden sie zurzeit intensiv erforscht, in der Elektronik könnten sie ganz neue Funktionen ermöglichen: Sogenannte topologische Materialien...

Alle Focus-News des Innovations-reports >>>

Anzeige

Anzeige

VideoLinks
Industrie & Wirtschaft
Veranstaltungen

Intensiv- und Notfallmedizin: „Virtueller DIVI-Kongress ist ein Novum für 6.000 Teilnehmer“

08.07.2020 | Veranstaltungen

Größte nationale Tagung für Nuklearmedizin

07.07.2020 | Veranstaltungen

Corona-Apps gegen COVID-19: Nationalakademie Leopoldina veranstaltet internationales virtuelles Podiumsgespräch

07.07.2020 | Veranstaltungen

VideoLinks
Wissenschaft & Forschung
Weitere VideoLinks im Überblick >>>
 
Aktuelle Beiträge

Neue Erkenntnisse über Flüssigkeiten, die ohne Widerstand fließen

09.07.2020 | Physik Astronomie

Forscher der Universität Bayreuth entdecken außergewöhnliche Regeneration von Nervenzellen

09.07.2020 | Biowissenschaften Chemie

Selbstadaptive Systeme: KI übernimmt Arbeit von Software-Ingenieuren

09.07.2020 | Informationstechnologie

Weitere B2B-VideoLinks
IHR
JOB & KARRIERE
SERVICE
im innovations-report
in Kooperation mit academics