Para começar, organize o equipamento e instale o software para o procedimento DeepLabCut ou DLC. Para criar o ambiente, navegue até a pasta onde o software DLC foi baixado. Use o comando change directory, cd folder name.
Execute o primeiro comando, conda env create f DEEPLABCUT.yaml. Em seguida, digite conda activate Deeplabcut para habilitar o ambiente. Em seguida, abra a interface gráfica do usuário usando python m deeplabcut.
Depois que a interface for aberta, clique em Criar novo projeto na parte inferior da interface. Nomeie o projeto para facilitar a identificação posterior. Insira um nome para o experimentador e verifique a seção de localização para verificar onde o projeto será salvo.
Selecione Procurar pastas para localizar os vídeos para treinar o modelo e escolha Copiar vídeos para a pasta do projeto se os vídeos devem permanecer em seu diretório original. Clique em Criar para gerar um novo projeto. Depois de criar o modelo, selecione Editar configuração.
yaml, seguido por Editar para abrir o arquivo de definições de configuração. Modifique as partes do corpo para incluir todas as partes do olho para rastreamento. Ajuste o número de quadros a serem escolhidos para obter um total de 400 quadros para o vídeo de treinamento.
Altere o tamanho do ponto para seis para garantir que o tamanho padrão da etiqueta seja pequeno o suficiente para um posicionamento preciso ao redor das bordas do olho. Após a configuração, navegue até a guia Extrair quadros da interface gráfica do usuário e selecione Extrair quadros na parte inferior. Navegue até a guia Quadros de rótulo e selecione Quadros de rótulo.
Na nova janela, localize pastas para cada um dos vídeos de treinamento selecionados e escolha a primeira pasta para abrir uma nova interface de rotulagem. Rotule os pontos definidos durante a configuração para cada quadro do vídeo selecionado. Depois de rotular todos os quadros, salve os rótulos e repita o processo para o próximo vídeo.
Para uma rotulagem precisa do estrabismo, use dois pontos próximos ao maior pico do olho. Para criar um conjunto de dados de treinamento, navegue até a guia Rede de Treinamento e inicie a rede de treinamento. Quando o treinamento de rede estiver concluído, navegue até Avaliar rede e selecione-o.
Para analisar vídeos, navegue até a guia Analisar vídeos e selecione Adicionar mais vídeos para escolher os vídeos. Selecione Salvar resultados como CSV se Uma saída CSV dos dados for suficiente. Depois que todos os vídeos forem selecionados, clique em Analisar vídeos para iniciar o processo de análise.
Por fim, aplique as macros para converter os dados brutos no formato necessário para a análise da distância euclidiana. O modelo detectou com precisão as instâncias sem estrabismo e estrabismo, marcando os pontos das pálpebras superior e inferior para calcular as distâncias euclidianas. Os valores de erro quadrático médio entre os pontos rotulados manualmente e rotulados pelo modelo mostraram variabilidade mínima após 300 quadros, e os valores médios de verossimilhança para detecção de ponto correto excederam 0,95 ao usar 400 quadros.
A matriz de confusão mostrou um valor preditivo positivo de 96,96% e um valor preditivo negativo de 99,66% para a detecção de estrabismo.
