مجموعة بيانات لتقسيم فيديو لقشرة فأر لتتبع الإشارات البصرية الجوهرية وتحليل النشاط العصبي

مراقبة موجات الدماغ دون فتح الجمجمة

فهم كيف تنتشر موجات النشاط عبر الدماغ أساسي لمواجهة اضطرابات مثل الصرع والسكتة والخرف. لكن مشاهدة هذه الموجات مباشرة في أدمغة حية أمر تقنيًا صعبًا. تقدم هذه الدراسة مجموعة بيانات مفتوحة مُعدة بعناية تسمى MouseCortex-IOS، تتيح للباحثين حول العالم استكشاف كيفية انتشار نشاط دماغ الفأر على سطح القشرة، واختبار أدوات الذكاء الاصطناعي الجديدة لتحليلها بشكل أكثر موثوقية وتلقائية.

كاميرا على دماغ حي

بدلًا من إدخال أقطاب كهربائية داخل الدماغ، استخدم الباحثون طريقة تُسمى تصوير الإشارة البصرية الجوهرية، حيث تنظر كاميرا حساسة عبر نافذة صغيرة في جمجمة الفأر. تكشف التغيرات الطفيفة في انعكاس سطح الدماغ للضوء عن تحولات في الدم والأكسجة المرتبطة بنشاط الخلايا العصبية. هذه التغيرات ضعيفة للغاية—غالبًا أقل من عدة بالمئة من الخلفية— وسهلة أن تطغى عليها الضوضاء أو الحركات الصغيرة، الأمر الذي جعل تفسير البيانات ومقارنة النتائج بين المختبرات أمرًا صعبًا.

تحويل أفلام صاخبة إلى خرائط ذات معنى

لمعالجة هذه المشكلة، بنى الفريق مجموعة بيانات من 14 فأرًا خضعوا لظروف تجريبية مختلفة، بما في ذلك تحفيز الأعصاب ومحفزات كيميائية لموجات انتشار النشاط العصبي. من جلسات تسجيل طويلة استخرجوا 5,732 صورة رئيسية مجمعة في 194 مقطع فيديو قصير. قبل أن يلامس أي ذكاء اصطناعي البيانات، تم معالجة الأفلام ذات التدرج الرمادي الخام عبر ثلاث خطوات: أولًا، جُمعت الإطارات معًا عبر الزمن لتقليل الضوضاء العشوائية والحركة؛ ثانيًا، حُسبت الفروقات بين الإطارات لتسليط الضوء على التغيرات الحقيقية في الإشارة؛ وثالثًا، حُولت الإشارات المنظفة إلى خرائط ألوان بحيث تبرز أنماط النشاط بوضوح مقابل الخلفية.

السماح لمساعد ذكاء اصطناعي برسم الحدود

بعد إنشاء هذه الخرائط أوضح، استخدم المؤلفون عائلة جديدة من أدوات الذكاء الاصطناعي المصممة أصلاً لـ "تقسيم أي شيء" في الصور والفيديوهات. في مسار العمل لديهم، يكفي أن يقوم خبير بشري بوضع علامة على منطقة الاهتمام في الإطار الأول من المقطع. يقوم نموذج الذكاء الاصطناعي، المكيف لفيديو، بعد ذلك بمتابعة تلك المنطقة تلقائيًا عبر بقية الإطارات، مرسومًا حدود مناطق الدماغ النشطة بنقرة واحدة. في أغلب المقاطع يحل هذا النهج شبه الآلي محل عملية التتبع اليدوي المجهد لكل إطار، مما يقلص وقت الوسم تقريبًا بقدر مرتبة واحدة مع الحفاظ على إشراف بشري حيث يهم الأمر أكثر.

التحقق من أن الخرائط تطابق الواقع

لضمان موثوقية هذه الحدود المولدة بالذكاء الاصطناعي، قارن الفريق بينها وبين وسمات يدوية مفصلة أجراها معمّقون متمرسون. اختبروا مسار العمل مقابل نموذج تعلم عميق كلاسيكي (U-Net) وضد المخرجات الخام لذكاء التقسيم نفسه، عبر مقاطع فيديو سهلة ومعتدلة وصاخبة جدًا. طابقت مسار العمل المخصص لديهم تسميات البشر بشكل أكثر اتساقًا من البدائل، حتى في أصعب الحالات، مع نقاط اتفاق قوية تشير إلى أن الخطوط الخارجية تلتقط إشارات دماغية حقيقية بشكل موثوق. أظهرت عمليات التحقق الإضافية أن اثنين من الخبراء البشريين كانوا متسقين بدرجة عالية مع بعضهما البعض، مما عزز الثقة في "الحقيقة الأساسية" المستخدمة للتقييم.

من بقع ملونة إلى رؤى دماغية

بما أن كل إطار في MouseCortex-IOS موسوم بدقة، يمكن للباحثين الآن حساب مقاييس عملية مثل مكان بدء الإشارة، إلى أي مدى وبأي سرعة تنتقل، كم تستغرق، وما هي مساحة القشرة التي تغطيها. يوضّح المؤلفون ذلك بتتبع موجات ناتجة عن تحفيز العصب المبهم، مبينين كيف يكتسح النشاط سطح الدماغ بطريقة تتوافق مع توقعات الخبراء. من خلال إتاحة كل من مجموعة البيانات وكود المعالجة للجمهور، يوفر هذا العمل أساسًا مشتركًا لبناء واختبار أدوات تحليل جديدة، مما يساعد العلماء في نهاية المطاف على فهم أفضل لكيفية انتشار النشاط الدماغي في الصحة والمرض.

الاستشهاد: Zhang, W., Zeng, G., Zheng, Z. et al. A Mouse Cortex Video Segmentation Dataset for Intrinsic Optical Signal Tracking and Neural Activity Analysis. Sci Data 13, 255 (2026). https://doi.org/10.1038/s41597-026-06580-1

الكلمات المفتاحية: تصوير قشرة الفأر, الإشارات البصرية الجوهرية, تقسيم الفيديو, رسم خرائط النشاط العصبي, مجموعة بيانات تصوير الدماغ