Gesture tracking and neural activity segmentation in head-fixed behaving mice by deep learning methods

• Autores: Waseem Abbas
• Directores de la Tesis: David Masip Rodó (dir. tes.)
• Lectura: En la Universitat Oberta de Catalunya ( España ) en 2020
• Idioma: español
• Tribunal Calificador de la Tesis: Jordi González Sabaté (presid.), Xavier Baro Sole (secret.), Jordi Soriano Fradera (voc.)
• Programa de doctorado: Programa de Doctorado en Tecnologías de la Información y de Redes por la Universitat Oberta de Catalunya
• Materias:
  • Ciencias de la vida
    • Fisiología humana
      • Fisiología del sistema nervioso central
• Enlaces
  • Tesis en acceso abierto en: O2 Repositori UOC
• Resumen

  • Se ha establecido desde hace tiempo que el cerebro es el elemento m ́as im- portante del sistema nervioso que funciona como un centro de mando y control para el sistema nervioso. El sistema nervioso, a su vez, regula y supervisa las funciones biol ́ogicas, bioqu ́ımicas, biomec ́anicas y sociales de un organismo.

    El propio cerebro est ́a formado por miles de millones de c ́elulas, las neuronas, que son capaces de comunicarse entre s ́ı. Estas neuronas tienen una capacidad indi- vidual limitada de procesamiento de informaci ́on, sin embargo, pueden formar redes neuronales capaces de un procesamiento m ́as complejo. El cerebro depende de entradas sensoriales de diferentes tipos (est ́ımulos). Las entradas de los sen- sores son procesadas por las neuronas, se calcula una respuesta y esta se ejecuta en los diferentes ́organos. Este mecanismo de est ́ımulo-respuesta ofrece un in- teresante desaf ́ıo de investigaci ́on y ha sido objeto de estudio durante d ́ecadas.

    No sólo los neurocient ́ıficos, sino tambi ́en los cient ́ıficos del comportamiento están interesados en esta ́area de investigaci ́on porque la comprensi ́on de este mecanismo de est ́ımulo-respuesta puede conducir a una mejor comprensi ́on de las enfermedades neurol ́ogicas, as ́ı como a un mejor an ́alisis del comportamiento.

    La configuraci ́on t ́ıpica empleada por los neurocient ́ıficos consiste en estudiar la respuesta de los animales de laboratorio a un est ́ımulo y registrar al mismo tiempo su actividad neuronal. Con la llegada de la tecnolog ́ıa de im ́agenes del calcio, los investigadores pueden ahora estudiar la actividad neuronal a resolu- ciones subcelulares in vivo. Del mismo modo, el registro del comportamiento de los animales de laboratorio tambi ́en se est ́a volviendo m ́as asequible. Aunque ahora es m ́as f ́acil registrar los datos del comportamiento y los datos neuronales,, estos datos ofrecen su propio conjunto de desaf ́ıos. El mayor desaf ́ıo es la ano- taci ́on de los datos debido a su gran volumen. Un enfoque tradicional es anotar los datos manualmente, fotograma a fotograma. En el caso de los datos sobre el comportamiento, la anotaci ́on manual se hace mirando cada fotograma y rastre- ando los animales, mientras que para los datos neuronales, la anotaci ́on la hace un neurocient ́ıfico capacitado. En esta investigaci ́on, proponemos herramien- tas automatizadas basadas en el aprendizaje profundo que pueden ayudar a procesar los datos de comportamiento y los datos neuronales.

    Hemos trabajado con datos de comportamiento derivados del movimiento del roedor y datos de actividad neuronal adquiridos en ambos casos in vivo.

    Los datos de comportamiento se adquieren registrando ratones con la cabeza fija que corren en una cinta esf ́erica desde ́angulos frontales y laterales. Hemos anotado manualmente este conjunto de datos trazando las extremidades de los ratones en cada fotograma, generando as ́ı m ́ascaras de locomoci ́on. Para los datos de actividad neuronal, hemos trabajado con conjuntos de datos de c ́odigo abierto que contienen anotaciones en forma de ubicaciones espaciales de todas las neuronas observables en el campo de visi ́on. Para la anotaci ́on del compor- tamiento/locomoci ́on, entrenamos un modelo de dos etapas; la primera etapa es una red neuronal convolucional tridimensional (3D-CNN) que extrae carac- ter ́ısticas de los v ́ıdeos y la segunda etapa es una red de memoria a largo y corto plazo (LSTM) que infiere si una regi ́on pertenece al miembro o no. El modelo que dise ̃namos es diferente del estado del arte en el sentido de que codifica expl ́ıcitamente la informaci ́on temporal disponible en los videos. En- trenamos a los modelos para detectar la ubicaci ́on de los miembros en cada fotograma. Para la detecci ́on de la actividad neuronal, creamos un modelo de segmentaci ́on densa basada en bloques LSTM convolucionales que pueden procesar informaci ́on espacio-temporal y lo entrenamos para detectar y segmen- tar las neuronas visibles en el campo de visi ́on. Este modelo mejora el estado del arte en el sentido de que se entrena mediante un paradigma de principio a fin y no requiere supervisi ́on humana en el bucle. Validamos nuestros resultados compar ́andolos con los datos anotados y observamos que tanto para los datos conductuales como para los neuronales, obtuvimos resultados comparables al estado del arte.