Pour commencer, organisez l’équipement et installez le logiciel pour la procédure DeepLabCut ou DLC. Pour créer l’environnement, accédez au dossier dans lequel le logiciel DLC a été téléchargé. Utilisez la commande change directory, cd folder name.
Exécutez la première commande, conda env create f DEEPLABCUT.yaml. Ensuite, tapez conda activate Deeplabcut pour activer l’environnement. Ensuite, ouvrez l’interface utilisateur graphique à l’aide de python m deeplabcut.
Une fois l’interface ouverte, cliquez sur Créer un nouveau projet en bas de l’interface. Nommez le projet pour une identification facile plus tard. Entrez un nom pour l’expérimentateur et vérifiez la section de l’emplacement pour vérifier où le projet sera enregistré.
Sélectionnez Parcourir les dossiers pour localiser les vidéos pour l’entraînement du modèle, puis choisissez Copier les vidéos dans le dossier du projet si les vidéos doivent rester dans leur répertoire d’origine. Cliquez sur Créer pour générer un nouveau projet. Après avoir créé le modèle, sélectionnez Modifier la configuration.
yaml, puis sur Modifier pour ouvrir le fichier de paramètres de configuration. Modifiez les parties du corps pour inclure toutes les parties de l’œil pour le suivi. Ajustez le nombre d’images à sélectionner pour obtenir un total de 400 images pour la vidéo d’entraînement.
Modifiez la taille du point sur six pour vous assurer que la taille de l’étiquette par défaut est suffisamment petite pour un placement précis sur les bords de l’œil. Après la configuration, accédez à l’onglet Extraire les images de l’interface utilisateur graphique et sélectionnez Extraire les images en bas. Accédez à l’onglet Cadres d’étiquettes et sélectionnez Cadres d’étiquettes.
Dans la nouvelle fenêtre, recherchez les dossiers de chacune des vidéos de formation sélectionnées et choisissez le premier dossier pour ouvrir une nouvelle interface d’étiquetage. Étiquetez les points définis lors de la configuration pour chaque image de la vidéo sélectionnée. Après avoir étiqueté toutes les images, enregistrez les étiquettes et répétez le processus pour la vidéo suivante.
Pour un marquage précis du strabisme, utilisez deux points près du plus grand pic de l’œil. Pour créer un jeu de données d’entraînement, accédez à l’onglet Réseau ferroviaire et lancez le réseau ferroviaire. Une fois l’entraînement réseau terminé, accédez à Évaluer le réseau et sélectionnez-le.
Pour analyser des vidéos, accédez à l’onglet Analyser les vidéos et sélectionnez Ajouter d’autres vidéos pour choisir les vidéos. Sélectionnez Enregistrer les résultats au format CSV si une sortie CSV des données est suffisante. Une fois toutes les vidéos sélectionnées, cliquez sur Analyser les vidéos pour lancer le processus d’analyse.
Enfin, appliquez les macros pour convertir les données brutes dans le format requis pour l’analyse de la distance euclidienne. Le modèle a détecté avec précision les instances de non-strabisme et de strabisme, en marquant les points des paupières supérieure et inférieure pour calculer les distances euclidiennes. Les valeurs moyennes d’erreur quadratique entre les points étiquetés manuellement et les points étiquetés par modèle ont montré une variabilité minimale après 300 images, et les valeurs moyennes de vraisemblance pour la détection correcte des points ont dépassé 0,95 lors de l’utilisation de 400 images.
La matrice de confusion a montré une valeur prédictive positive de 96,96 % et une valeur prédictive négative de 99,66 % pour la détection du strabisme.
