Pupil-DLC : un pipeline d'apprentissage profond open-source pour le suivi sans marqueur et évolutif de la dynamique pupillaire à travers les états conscients et inconscientsPupil-DLC: an open-source deep learning pipeline for scalable, marker-less tracking of pupil dynamics across conscious and unconscious states.
- Pupil-DLC est un pipeline d'apprentissage profond pour le suivi pupillaire sans marqueur, ouvert et évolutif.
- Entraîné sur 21 750 images provenant de plus de 140 vidéos de souris, couvrant une large variabilité de taille pupillaire.
- Architecture duale (modèle général pour haut débit, modèle individuel pour précision session-spécifique).
Article méthodologique de haute qualité proposant un outil open-source pour le suivi pupillaire, applicable à la recherche en neurosciences cliniques, mais avec une validation principalement animale et une démonstration humaine secondaire.
Validation principale effectuée chez la souris ; l'extension humaine est une démonstration secondaire. Nécessite une annotation manuelle pour l'entraînement des modèles individuels. Analyse hors ligne uniquement, non adaptée au temps réel. Performance dépendante de la qualité vidéo et des artefacts (occlusions, reflets).
Cet article présente Pupil-DLC, un pipeline open-source basé sur DeepLabCut pour le suivi automatique et sans marqueur de la pupille, principalement validé chez la souris. Entraîné sur plus de 21 000 images annotées issues de 140 vidéos couvrant des états d'éveil, sous psychédéliques et anesthésie, il utilise une architecture à deux modèles (général et individuel) pour allier débit et précision. Le pipeline atteint une haute précision et s'étend à des vidéos humaines sans ré-entraînement, surpassant les méthodes existantes en exactitude et rétention d'images. Il constitue un outil reproductible pour quantifier les états cérébraux via la pupille, avec des applications translationnelles potentielles.
Pupil-DLC est un pipeline d'apprentissage profond pour le suivi pupillaire sans marqueur, ouvert et évolutif. Entraîné sur 21 750 images provenant de plus de 140 vidéos de souris, couvrant une large variabilité de taille pupillaire. Architecture duale (modèle général pour haut débit, modèle individuel pour précision session-spécifique). Généralise à des vidéos humaines sans ré-entraînement, y compris sous conditions variées (lumière du jour, smartphone).
Potentiel d'utilisation en clinique pour monitorer l'éveil et la conscience chez des patients avec troubles de la conscience. Peut servir d'outil de recherche pour étudier l'attention et l'éveil dans des populations neurodéveloppementales (TDAH, autisme). Facilite la traduction des biomarqueurs pupillaires de la recherche animale à l'humain.
Modéré