Per iniziare, sistemare l'attrezzatura e installare il software per la procedura DeepLabCut o DLC. Per creare l'ambiente, accedi alla cartella in cui è stato scaricato il software DLC. Utilizzare il comando change directory, nome della cartella cd.
Esegui il primo comando, conda env create f DEEPLABCUT.yaml. Quindi, digita conda activate Deeplabcut per abilitare l'ambiente. Quindi, apri l'interfaccia utente grafica utilizzando python m deeplabcut.
Dopo l'apertura dell'interfaccia, fai clic su Crea nuovo progetto nella parte inferiore dell'interfaccia. Assegna un nome al progetto per una facile identificazione in un secondo momento. Inserisci un nome per lo sperimentatore e controlla la sezione della posizione per verificare dove verrà salvato il progetto.
Selezionare Sfoglia cartelle per individuare i video per il training del modello e scegliere Copia video nella cartella del progetto se i video devono rimanere nella directory originale. Fare clic su Crea per generare un nuovo progetto. Dopo aver creato il modello, selezionare Modifica configurazione.
yaml, seguito da Modifica per aprire il file delle impostazioni di configurazione. Modifica le parti del corpo per includere tutte le parti dell'occhio per il tracciamento. Regola il numero di fotogrammi da scegliere per ottenere 400 fotogrammi totali per il video di formazione.
Modificare la dimensione del punto a sei per assicurarsi che la dimensione predefinita dell'etichetta sia sufficientemente piccola per un posizionamento accurato attorno ai bordi dell'occhio. Dopo la configurazione, accedere alla scheda Estrai fotogrammi dell'interfaccia utente grafica e selezionare Estrai fotogrammi nella parte inferiore. Passare alla scheda Label Frames e selezionare Label Frames.
Nella nuova finestra, trova le cartelle per ciascuno dei video di formazione selezionati e scegli la prima cartella per aprire una nuova interfaccia di etichettatura. Etichetta i punti definiti durante la configurazione per ogni fotogramma del video selezionato. Dopo aver etichettato tutti i fotogrammi, salva le etichette e ripeti il processo per il video successivo.
Per un'etichettatura accurata dello strabismo, utilizzare due punti vicino alla punta più grande dell'occhio. Per creare un set di dati di addestramento, accedere alla scheda Rete ferroviaria e avviare la rete ferroviaria. Una volta completato il training sulla rete, passare a e selezionare Valuta rete.
Per analizzare i video, vai alla scheda Analizza video e seleziona Aggiungi altri video per scegliere i video. Selezionare Salva risultati come CSV se è sufficiente un output CSV dei dati. Una volta selezionati tutti i video, fai clic su Analizza video per avviare il processo di analisi.
Infine, applicare le macro per convertire i dati grezzi nel formato richiesto per l'analisi della distanza euclidea. Il modello ha rilevato con precisione sia le istanze non strabiche che quelle strabizzate, marcando i punti palpebrali superiore e inferiore per calcolare le distanze euclidee. I valori di errore quadratico medio tra i punti etichettati manualmente e quelli etichettati con il modello hanno mostrato una variabilità minima dopo 300 fotogrammi e i valori medi di verosimiglianza per il rilevamento corretto dei punti hanno superato 0,95 quando si utilizzano 400 fotogrammi.
La matrice di confusione ha mostrato un valore predittivo positivo del 96,96% e un valore predittivo negativo del 99,66% per il rilevamento dello strabismo.
