ZebraTrack: An Open-Source Object Detection Algorithm to Detect and Track Larval Zebrafish Motor Touch Responses
Notice bibliographique
Résumé
Abstract Motivation Zebrafish ( Danio rerio ) are a model organism used for the study of vertebrate development, disease and drug discovery. Two-day old larval zebrafish exhibit burst swimming behaviour that can be elicited by a light touch to the tail. Larval motor touch-responses are frequently video recorded and later analyzed. Methods to robustly analyze these videos in a reproducible and time-efficient manner are reliant on manual tracking, which is prone to experimenter bias and error. Results Here we present ZebraTrack, a machine learning-based program, which employs Ultralytics’ YOLOv8 nano (YOLOv8n) object detection algorithm to automatically analyze larval touch response videos. The program breaks down video files into their constituent frames and passes these through a custom-trained YOLOv8n algorithm to detect the presence of a single larval zebrafish. ZebraTrack then refines the tracking data output by the model and tabulates it into an excel spreadsheet. The program then computes and extracts four relevant swim metrics: swim duration (s), swim distance (mm), mean swim velocity (mm/s), and max swim velocity (mm/s). ZebraTrack rapidly accelerates the analysis process, while also eliminating the errors associated with manual tracking. Furthermore, it allows for high-throughput analysis of larval touch response videos and can detect subtle differences in motor metrics arising as a result of temperature differences, demonstrating that utility of this tracking algorithm. Availability and implementation ZebraTrack is available for download at https://github.com/Armstrong-Lab-70/ZebraTrack .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».