Pupil-DLC: an open-source deep learning pipeline for scalable, markerless tracking of pupil dynamics across conscious and unconscious states

Pupil-DLC est un pipeline d'apprentissage profond open-source basé sur DeepLabCut qui permet un suivi évolutif, sans marqueur et robuste de la dynamique pupillaire à travers diverses espèces et états de conscience, surpassant les méthodes existantes en précision tout en offrant une analyse flexible et reproductible pour la pupillométrie chez la souris et l'humain.

L'essentiel

Imaginez votre pupille (le centre noir de votre œil) comme une minuscule fenêtre vivante qui s'ouvre et se ferme constamment pour montrer ce qui se passe à l'intérieur de votre cerveau. Lorsque vous êtes alerte, concentré ou même en train de rêver, cette fenêtre change de taille. Les scientifiques cherchent depuis longtemps à mesurer ces changements pour comprendre les états cérébraux, mais les outils qu'ils ont utilisés jusqu'à présent sont comme de vieux appareils photo encombrants : ils sont lents, se cassent facilement dans de nouvelles situations et peinent à suivre l'action.

Ce document présente Pupil-DLC, un nouvel outil logiciel gratuit qui agit comme un détective numérique super intelligent et infatigable pour surveiller ces fenêtres oculaires. Voici comment il fonctionne, en utilisant des comparaisons simples :

L'« École de formation »
Pour devenir un expert, Pupil-DLC est allé dans une école de formation massive. Il a étudié plus de 20 000 clichés provenant de plus de 130 vidéos de souris. Ces souris étaient dans toutes sortes d'« états d'esprit » : éveillées et actives, somnolentes, ou sous l'influence de diverses drogues (y compris des psychédéliques et de l'anesthésie). Une équipe d'humains a soigneusement étiqueté chaque pupille sur ces photos pour apprendre à l'ordinateur exactement ce qu'il doit chercher.

Le « Kit à deux outils »
Au lieu d'utiliser une seule méthode, Pupil-DLC arrive avec un kit à deux outils :

1. Le Modèle Général (GM) : Considérez cela comme une clé maîtresse. Il est conçu pour fonctionner instantanément sur presque n'importe quelle vidéo de souris enregistrée avec des caméras infrarouges, ce qui le rend parfait pour analyser de grandes quantités de données rapidement sans avoir besoin d'être personnalisé pour chaque souris.
2. Le Modèle Individuel (IM) : C'est comme un costume sur mesure. Si vous avez besoin d'une précision extrême pour une expérience spécifique, cet outil s'ajuste pour correspondre aux caractéristiques uniques de cette session précise.

Pourquoi est-ce meilleur ?
Le document affirme que Pupil-DLC est plus précis et plus fiable que les outils actuels considérés comme la « référence ». Il ne se contente pas de deviner ; il fournit un score de confiance, agissant comme un bulletin météo qui vous dit : « Je suis sûr à 99 % que cette pupille est ouverte », ou « Je ne suis sûr qu'à 60 %, vous devriez donc vérifier cette partie ». Cela aide les chercheurs à décider de la quantité de données à conserver sans perdre en précision.

Franchir les frontières des espèces
Le tour de magie le plus surprenant est sa capacité de généralisation. Sans aucun entraînement supplémentaire, Pupil-DLC peut regarder des vidéos infrarouges de l'œil humain et suivre les pupilles aussi bien qu'il le fait pour les souris. Si les chercheurs lui donnent un petit entraînement supplémentaire sur des vidéos humaines prises à la lumière du jour ou avec différentes caméras, il peut gérer ces conditions également.

L'essentiel
Pupil-DLC est une plateforme open-source et flexible qui transforme la tâche difficile du suivi des changements de la pupille en un processus fluide et automatisé. Il permet aux scientifiques de mesurer les états cérébraux chez les souris et les humains à travers une grande variété de conditions — du sommeil profond aux effets de drogues — en utilisant un outil qui est rapide, précis et conçu pour durer.

Résumé technique

Résumé technique de Pupil-DLC

Problématique
Le diamètre de la pupille constitue un biomarqueur critique et non invasif des états cérébraux, corrélant avec l'éveil, l'attention, le traitement cognitif et les niveaux de conscience. Malgré son utilité en neurosciences, le domaine de la pupillométrie est actuellement limité par les outils logiciels existants qui manquent de la scalabilité, de la robustesse et de la flexibilité nécessaires pour gérer diverses conditions expérimentales. Il existe un besoin distinct pour une solution capable de suivre avec précision la dynamique pupillaire à travers différents états de conscience, de la veille aux états induits par des drogues et l'anesthésie, sans dépendre de marqueurs invasifs.

Méthodologie
Pour répondre à ces limitations, les auteurs introduisent Pupil-DLC, un pipeline open-source basé sur le framework DeepLabCut pour le suivi sans marqueurs (markerless tracking). Le développement et l'entraînement de ce système ont impliqué un ensemble de données substantiel comprenant 20 550 images annotées manuellement extraites de plus de 130 vidéos de pupilles. Ces vidéos présentent des souris fixes ou en mouvement à travers un spectre de conditions, incluant la veille, l'anesthésie et divers états induits par des substances (incluant spécifiquement les psychédéliques).

Le pipeline emploie un cadre à double modèle :

1. Modèle Général (GM) : Conçu pour l'analyse à haut débit des pupilles de souris enregistrées en infrarouge.
2. Modèle Individuel (IM) : Adapté pour une optimisation spécifique à chaque session afin d'améliorer la précision pour des configurations expérimentales particulières.

De plus, le système intègre des métriques de confiance interprétables, permettant aux chercheurs d'établir des compromis fondés entre la précision du suivi et la rétention des données. L'architecture est conçue pour être efficace sur le plan computationnel tout en maintenant une haute fiabilité de détection.

Résultats Clés
Pupil-DLC démontre une performance robuste dans la capture de la dynamique pupillaire dépendante de l'état. Lorsqu'il est validé par rapport à des données de vérité terrain annotées par l'humain, le pipeline atteint un haut degré d'accord et surpasse les méthodes automatisées établies tant en précision qu'en fiabilité de détection.

Une découverte significative concernant la généralisabilité du modèle est sa capacité à se transférer entre les espèces et les conditions d'enregistrement :

• Transfert Zero-shot : Le modèle se généralise aux enregistrements de la pupille humaine en infrarouge sans nécessiter de réentraînement.
• Adaptation par Réentraînement : Avec un réentraînement, le système s'étend avec succès aux vidéos humaines enregistrées sous diverses conditions de lumière du jour et de caméra, facilitant la pupillométrie inter-espèces.

Signification et Revendications
L'article positionne Pupil-DLC comme une plateforme flexible et reproductible conçue pour surmonter les goulots d'étranglement de la scalabilité et de la robustesse des outils de pupillométrie actuels. En exploitant l'apprentissage profond, le pipeline permet la quantification de la dynamique pupillaire liée aux états cérébraux à travers un large éventail de paradigmes expérimentaux et d'espèces (souris et humains). Les auteurs soulignent que la nature open-source de l'outil, combinée à son architecture à double modèle et à ses métriques de confiance, fournit une approche standardisée pour analyser la dynamique pupillaire, de la veille jusqu'à divers états d'inconscience, y compris ceux induits par les psychédéliques et l'anesthésie.