Ein Datensatz zur Videosegmentierung der Maus-Kortex für die Nachverfolgung intrinsischer optischer Signale und die Analyse neuronaler Aktivität

Gehirnwellen beobachten, ohne den Schädel zu öffnen

Zu verstehen, wie Aktivitätswellen über das Gehirn hinweg laufen, ist entscheidend für das Vorgehen gegen Erkrankungen wie Epilepsie, Schlaganfall und Demenz. Diese Wellen jedoch direkt in lebenden Gehirnen zu beobachten, ist technisch anspruchsvoll. Diese Studie stellt MouseCortex-IOS vor, einen sorgsam erstellten, offenen Datensatz, der Forschenden weltweit ermöglicht, zu untersuchen, wie sich die Aktivität der Maus-Hirnrinde über deren Oberfläche ausbreitet, und neue KI-Werkzeuge zu testen, um sie zuverlässiger und automatisierter zu analysieren.

Eine Kamera auf dem lebenden Gehirn

Statt Elektroden ins Gehirn einzubringen, verwendeten die Forschenden eine Methode namens intrinsische optische Signalgebung, bei der eine empfindliche Kamera durch ein kleines Fenster im Maus-Schädel blickt. Subtile Veränderungen in der Lichtreflexion der Hirnoberfläche zeigen Verschiebungen in Blutvolumen und Sauerstoff an, die mit neuronaler Aktivität verknüpft sind. Diese Veränderungen sind extrem schwach – oft weniger als ein paar Prozent des Hintergrunds – und werden leicht von Rauschen oder kleinen Bewegungen überlagert, weshalb die Daten schwer zu interpretieren und zwischen Laboren vergleichbar sind.

Rauschende Filme in aussagekräftige Karten verwandeln

Um dem zu begegnen, erstellte das Team einen Datensatz aus 14 Mäusen, die unter verschiedenen Versuchsbedingungen standen, einschließlich Nervenstimulation und chemischer Auslöser für sich ausbreitende Aktivitätswellen. Aus langen Aufnahmesitzungen extrahierten sie 5.732 Schlüsselframes, gruppiert in 194 kurze Videoclips. Bevor irgendeine KI die Daten berührte, wurden die rohen Graustufenfilme in drei Schritten verarbeitet: Zuerst wurden Bilder zeitlich gemittelt, um zufälliges Rauschen und Bewegung zu reduzieren; zweitens wurden Differenzen zwischen Frames berechnet, um echte Signaländerungen hervorzuheben; und drittens wurden die bereinigten Signale in Farbkarten umgewandelt, sodass Aktivitätsmuster deutlich vor dem Hintergrund hervorstachen.

Eine KI als Assistenz beim Ziehen der Grenzen

Sobald diese klareren Karten erstellt waren, setzten die Autoren eine neue Familie von KI-Werkzeugen ein, die ursprünglich dafür entwickelt wurden, "alles zu segmentieren" in Bildern und Videos. In ihrer Pipeline muss ein menschlicher Experte nur den interessierenden Bereich im ersten Frame eines Clips markieren. Das für Video angepasste KI-Modell folgt dann automatisch dieser Region über die restlichen Frames und zieht mit einem einzigen Klick die Umrisse aktiver Hirnareale. Für die meisten Clips ersetzt dieser halbautomatische Ansatz das mühsame Verfahren des manuellen Nachzeichnens jedes einzelnen Frames, reduziert die Beschriftungszeit um ungefähr eine Größenordnung und behält dort menschliche Kontrolle, wo sie am wichtigsten ist.

Prüfen, ob die Karten der Realität entsprechen

Um sicherzustellen, dass diese von der KI erzeugten Umrisse vertrauenswürdig sind, verglich das Team sie mit detaillierten manuellen Markierungen erfahrener Annotatoren. Sie testeten ihre Pipeline gegen ein klassisches Deep-Learning-Modell (U-Net) und gegen die rohen Ausgaben der Segmentierungs-KI selbst, über einfache, mittlere und sehr verrauschte Videos hinweg. Ihre angepasste Pipeline entsprach konsequent den menschlichen Labels näher als die Alternativen, sogar in den schwierigsten Fällen, mit hohen Übereinstimmungswerten, die anzeigen, dass die Umrisse zuverlässig reale Hirnsignale erfassen. Zusätzliche Prüfungen zeigten, dass zwei verschiedene menschliche Expertinnen bzw. Experten selbst sehr konsistent miteinander waren, was das Vertrauen in die als "Ground Truth" verwendeten Referenzen stärkt.

Von farbigen Flecken zu Einsichten über das Gehirn

Da jeder Frame in MouseCortex-IOS präzise beschriftet ist, können Forschende nun praktische Kennzahlen berechnen, etwa wo ein Signal beginnt, wie weit und wie schnell es sich ausbreitet, wie lange es anhält und welchen Anteil der Hirnrinde es abdeckt. Die Autoren demonstrieren dies, indem sie Wellen verfolgen, die durch Stimulation des Vagusnervs ausgelöst wurden, und zeigen, wie Aktivität über die Hirnoberfläche wandert, in einer Weise, die mit Expertenerwartungen übereinstimmt. Indem sie sowohl den Datensatz als auch den Verarbeitungscode öffentlich zugänglich machen, bietet diese Arbeit eine gemeinsame Grundlage zum Aufbau und Testen neuer Analysewerkzeuge und hilft letztlich Forschenden, besser zu verstehen, wie sich Hirnaktivität in Gesundheit und Krankheit ausbreitet.

Zitation: 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

Schlüsselwörter: Bildgebung des Maus-Kortex, intrinsische optische Signale, Videosegmentierung, Kartierung neuronaler Aktivität, Datensatz zur Gehirnbildgebung