Analyse der Treffsicherheit von Annotierungen zwei verschiedener Video-tracking Programme vorbestimmter Körperteile bei hospitalisierten Pferden

Ziel dieser Arbeit ist es, die zwei Videotracking Programme „Coco Annotator“ und „Loopy“ auf ihre Treffgenauigkeit der Setzung vordefinierter Körperpunkte zu vergleichen. Der Einsatz an künstlicher Intelligenz wird in vielen Teilen der Veterinärmedizin bereits regelmäßig angewendet, Beispiele dafür sind die automatisierte Erkennung von Körperpositionen oder im Bereich des „Pain Scorings“. Für diese Diplomarbeit sind Videos von sechs hospitalisierten Pferden auf der Veterinärmedizinischen Universität Wien verwendet worden, die mithilfe eines Modells des jeweiligen Programms automatisch annotiert wurden. Nach Setzung der Körperpunkte durch KI-Modelle in den Videos, sind jeweils 2000 Bilder pro Pferd manuell überprüft worden und die Körperpunkte „Nase“, „Widerrist“, „Schweif“, „linke“ und „rechte Vorderextremität“ hinsichtlich mehrerer Kriterien überprüft worden. Die Punkte konnten dabei als „true positive“, „true negative“, „false positive“ und „false negative“ gelabelt werden. Die Auswertung der richtigen Bilder ergab eine höhere Trefferquote des Programms „Coco Annotator“ als bei „Loopy“, die Anzahl der falsch annotierten Bilder ist bei „Loopy“ höher gewesen. Die Bland-Altman Analyse ergab, dass es einen signifikanten Unterschied zwischen beiden Annotierungsprogrammen gibt. Die Beurteilung des Datenmaterials zeigte mehrere Limitationen hinsichtlich der Bildqualität und der Umgebung, manche Pferde erschwerten eine korrekte Annotation durch ihre Fellfarbe oder Abzeichen. Körperpunkte wie die „Nase“ oder der „Schweif“ wurden bei beiden Programmen besser annotiert als der Widerrist. „Coco Annotator“ zeigte über alle Körperpunkte hinweg eine höhere Trefferquote an richtig annotierten Bildern als „Loopy“ und hat bei dieser Studie im Rahmen der Diplomarbeit besser abgeschnitten.