Quantification of motor behaviour in freely moving rodents
(2022) BMEM01 20221Department of Biomedical Engineering
- Abstract
- Systems evaluating potential treatment methods for Parkinson’s disease and chronic pain conditions, using rodent experimental models, are highly needed. Currently used systems are aiming to evaluate these kinds of treatment methods by analyzing the animal’s motor behavior. These systems either generate binary data or multifaceted data for when the rodent is spatially limited or data for when the rodent is less spatially limited, i.e. moving in an open field, that are less faceted. In this thesis a setup was built by combining setups from the currently used systems, to enable high faceted data for when the rodent is moving in an open field. Further, the data generated from this setup was interpreted by evaluating and comparing image... (More)
- Systems evaluating potential treatment methods for Parkinson’s disease and chronic pain conditions, using rodent experimental models, are highly needed. Currently used systems are aiming to evaluate these kinds of treatment methods by analyzing the animal’s motor behavior. These systems either generate binary data or multifaceted data for when the rodent is spatially limited or data for when the rodent is less spatially limited, i.e. moving in an open field, that are less faceted. In this thesis a setup was built by combining setups from the currently used systems, to enable high faceted data for when the rodent is moving in an open field. Further, the data generated from this setup was interpreted by evaluating and comparing image analysis methods, using two different software. The interpretation of the data aimed to generate parameters describing the rodent’s motor behavior by detection and classification of the rodent and its various body parts and paws. The first image analysis method is based on blob detection and was evaluated using MATLAB. This method resulted in insufficient parameter values, but with potential for development regarding the evaluation of the pressure load of the paws. Further, this method showed great potential in classifying the rodent’s body parts and paws. This method therefore has the potential to be used with the built setup as a tool in motor behavior analysis, such as gait pattern and body posture analysis. The second image analysis method is deep learning based segmentation, object tracking, and classification and was evaluated using DeepLabCut. This method resulted in insufficiency in the detection and classification of the rodent’s paws, but showed potential in the detection and classification of the body parts. This method therefore has the potential to be used as a tool in motor behavior analysis when analyzing the rodent’s body posture and movement pattern, for instance, in combination with the first method. (Less)
- Popular Abstract (Swedish)
- Kvantifiering av motoriskt beteende hos råttor i fri rörelse
Cirka 10 miljoner människor världen över lever med Parkinsons sjukdom och cirka 40 % av världens befolkning lever med långvarig smärta. Den här avhandlingen handlar om att implementera ett system för att hjälpa till att utvärdera behandlingar för dessa tillstånd, såsom djup hjärnstimulering (DBS).
System som används för att förbättra DBS, det vill säga elektrisk stimulering av djupa hjärnstrukturer, för att behandla patienter som lider av Parkinsons sjukdom och för att utvärdera DBS som en potentiell behandling för långvarig smärta är mycket nödvändiga. Aktuella tester involverar analys av gnagares motoriska beteende vad gäller till exempel gångmönster och kroppshållning... (More) - Kvantifiering av motoriskt beteende hos råttor i fri rörelse
Cirka 10 miljoner människor världen över lever med Parkinsons sjukdom och cirka 40 % av världens befolkning lever med långvarig smärta. Den här avhandlingen handlar om att implementera ett system för att hjälpa till att utvärdera behandlingar för dessa tillstånd, såsom djup hjärnstimulering (DBS).
System som används för att förbättra DBS, det vill säga elektrisk stimulering av djupa hjärnstrukturer, för att behandla patienter som lider av Parkinsons sjukdom och för att utvärdera DBS som en potentiell behandling för långvarig smärta är mycket nödvändiga. Aktuella tester involverar analys av gnagares motoriska beteende vad gäller till exempel gångmönster och kroppshållning när djuret påverkas av smärta eller experimentella modeller av Parkinsons sjukdom, samt när de djupa hjärnstrukturerna hos djuret stimuleras. Nackdelen med dessa tester är att de antingen ger begränsad information om djurets motoriska beteende, eller ger mångfacetterad information om det motoriska beteendet, men där djurets motoriska beteende istället begränsas på grund av uppställningens design.
I detta examensarbete har ett system implementerats som inte begränsar djurets motoriska beteende, där en råtta rör sig i ett öppet fält. Vidare har tre metoder för att hämta mångfacetterad information från denna uppställning implementerats, utvärderats och jämförts. Uppställningen genererar en videoinspelning av råttan som rör sig i det öppna fältet och de tre metoderna involverar bildanalys av videoinspelningen. Den första metoden innefattar bildanalys baserad på blob-detektering och de två andra metoderna innefattar bildanalys baserad på djupinlärningsbaserad segmentering.
Jämförelser av dessa tre metoder visar att metoden baserad på blob-detektering är den mest kompatibla med den implementerade öppet fält-uppställningen. Kombinationen av öppet fält-uppställningen och blob-detekteringsmetoden ger mångfacetterad information om råttans motoriska beteende när den rör sig relativt obegränsad. Detta system kan därför ge mer exakta undersökningar av råttans motoriska beteende än system som används idag.
Metoderna baserade på djupinlärningsbaserad segmentering visade otillräcklig noggrannhet. Utvärderingarna av dessa metoder visade dock på potential för utveckling och de kan därför fungera som ett potentiellt komplement till systemet.
Att använda systemet bestående av den implementerade uppställningen med bildanalys baserad på blob-detektering kommer förhoppningsvis att förbättra utvärderingar av DBS som en behandling, använt för sig självt eller möjligen i kombination med djupinlärningsbaserad segmentering. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9078427
- author
- Kattrup Frostemark, Caroline LU
- supervisor
- organization
- course
- BMEM01 20221
- year
- 2022
- type
- H2 - Master's Degree (Two Years)
- subject
- language
- English
- additional info
- 2022-06
- id
- 9078427
- date added to LUP
- 2022-04-19 11:38:48
- date last changed
- 2022-04-19 11:38:48
@misc{9078427,
abstract = {{Systems evaluating potential treatment methods for Parkinson’s disease and chronic pain conditions, using rodent experimental models, are highly needed. Currently used systems are aiming to evaluate these kinds of treatment methods by analyzing the animal’s motor behavior. These systems either generate binary data or multifaceted data for when the rodent is spatially limited or data for when the rodent is less spatially limited, i.e. moving in an open field, that are less faceted. In this thesis a setup was built by combining setups from the currently used systems, to enable high faceted data for when the rodent is moving in an open field. Further, the data generated from this setup was interpreted by evaluating and comparing image analysis methods, using two different software. The interpretation of the data aimed to generate parameters describing the rodent’s motor behavior by detection and classification of the rodent and its various body parts and paws. The first image analysis method is based on blob detection and was evaluated using MATLAB. This method resulted in insufficient parameter values, but with potential for development regarding the evaluation of the pressure load of the paws. Further, this method showed great potential in classifying the rodent’s body parts and paws. This method therefore has the potential to be used with the built setup as a tool in motor behavior analysis, such as gait pattern and body posture analysis. The second image analysis method is deep learning based segmentation, object tracking, and classification and was evaluated using DeepLabCut. This method resulted in insufficiency in the detection and classification of the rodent’s paws, but showed potential in the detection and classification of the body parts. This method therefore has the potential to be used as a tool in motor behavior analysis when analyzing the rodent’s body posture and movement pattern, for instance, in combination with the first method.}},
author = {{Kattrup Frostemark, Caroline}},
language = {{eng}},
note = {{Student Paper}},
title = {{Quantification of motor behaviour in freely moving rodents}},
year = {{2022}},
}