Desenvolvimento de um método para classificação de comportamentos de ratos Wistar utilizando o algoritmo de aprendizado supervisionado Florestas Aleatórias (Random Forests)

Abstract

A despeito da grande importância dos testes comportamentais na pesquisa pré-clínica sobre os transtornos neuropsiquiátricos e do neurodesenvolvimento, como o transtorno do espectro do autismo (TEA), poucas ferramentas computacionais existem para avaliar quantitativamente o comportamento animal. Além disso, o funcionamento da maior parte das poucas ferramentas existentes depende de softwares adicionais ou de hardware de alto custo, como câmeras de profundidade e gaiolas instrumentadas. Neste trabalho, é apresentado um método para avaliação do comportamento de ratos Wistar a partir de vídeos do teste de campo aberto, empregando técnicas de visão computacional e aprendizado de máquina. Todos os passos do método, do processamento e segmentação das imagens até a aplicação dos algoritmos de aprendizado de máquina estão descritos aqui. Foram rotulados manualmente 47.466 quadros de 52 vídeos do teste de campo aberto, atribuindo a cada um deles uma de sete classes: caminhando, cheirando, escalando, rearing, autolimpeza, imobilidade e outros/sem certeza. Foi realizada subtração de fundo e binarização quadro-a-quadro para segmentar as imagens, separando a região correspondente ao animal do aparato de teste. A partir das imagens segmentadas, foram extraídos parâmetros geométricos de pose, e o método das janelas deslizantes foi empregado para levar em consideração o aspecto dinâmico do comportamento. Por fim, os dados extraídos foram utilizados juntamente com os rótulos manuais para treinar e comparar o desempenho de diversos classificadores utilizando algoritmos de aprendizado de máquina. Nosso sistema foi treinado para classificar os comportamentos caminhando (F1-score = 91,85%), cheirando (F1-score = 85,39%), rearing (F1-score = 80,94%), autolimpeza dianteira (F1-score = 59,39%), autolimpeza traseira (F1-score = 72,48%) e imobilidade (F1-score = 75,04%). O método desenvolvido permite detecção rápida e precisa dos comportamentos treinados, consistindo, portanto, em uma ferramenta valiosa para a pesquisa pré-clínica.

Despite the large importance of behavioral tests in the preclinical research on neuropsychiatric and neurodevelopmental disorders, such as autism spectrum disorder (ASD), few computational tools exist to quantitatively evaluate animal behavior. In addition, most of the few existing tools rely on additional software or expensive hardware such as depth cameras or instrumented cages to run. In this paper, we present a method for albino rat behavior assessment from open field test videos utilizing computer vision and supervised machine learning techniques. All steps of the method, from image processing and segmentation to the application of machine learning techniques are here described. We manually labeled 46,521 frames from 52 videos of the open field test, assigning each of the frames to one of seven classes: walking, sniffing, rearing, fore body grooming, hind body grooming, immobility and other/unsure. We utilized background subtraction, thresholding and morphological opening on a frame-by-frame basis to segment the images, separating the region corresponding to the animal from the test apparatus. We then extracted geometrical pose estimators from the segmented region and applied the sliding windows technique to them to account for the time dynamics of behavior. Finally, we utilized the extracted data, along with the manually scored labels, to train binary classifiers using the Random Forest algorithm. Our system was trained for classifying walking (F1-score = 91.85%), sniffing (F1-score = 85.39%), rearing (F1-score = 80.94%), fore body grooming (F1-score = 59.39%), hind body grooming (F1-score = 72.48%) and immobility (F1-score = 75.04%). The method we developed allows for reliable and rapid detection of the trained behaviors, therefore consisting of a valuable tool for preclinical research.