Un jeu de données de segmentation vidéo du cortex de souris pour le suivi du signal optique intrinsèque et l'analyse de l'activité neuronale

Observer les ondes cérébrales sans ouvrir le crâne

Comprendre comment des ondes d'activité se propagent à la surface du cerveau est essentiel pour aborder des pathologies telles que l'épilepsie, l'accident vasculaire cérébral et la démence. Mais observer directement ces ondes dans des cerveaux vivants est techniquement exigeant. Cette étude présente MouseCortex-IOS, un jeu de données ouvert soigneusement construit qui permet aux chercheurs du monde entier d'explorer la façon dont l'activité cérébrale de la souris se propage sur la surface du cortex et de tester de nouveaux outils d'intelligence artificielle (IA) pour l'analyser de manière plus fiable et automatique.

Une caméra sur le cerveau vivant

Plutôt que d'insérer des électrodes dans le cerveau, les chercheurs ont utilisé une méthode appelée imagerie des signaux optiques intrinsèques, où une caméra sensible observe à travers une petite fenêtre ménagée dans le crâne de la souris. De subtiles variations de la manière dont la surface du cerveau réfléchit la lumière révèlent des déplacements du sang et de l'oxygène liés à l'activité neuronale. Ces variations sont extrêmement faibles — souvent inférieures à quelques pourcents du niveau de fond — et facilement noyées par le bruit ou de petits mouvements, ce qui a rendu les données difficiles à interpréter et à comparer entre laboratoires.

Transformer des films bruités en cartes signifiantes

Pour y remédier, l'équipe a constitué un jeu de données à partir de 14 souris soumises à différentes conditions expérimentales, incluant la stimulation nerveuse et des déclencheurs chimiques d'ondes de propagation d'activité cérébrale. À partir de longues sessions d'enregistrement, ils ont extrait 5 732 images clés regroupées en 194 courts clips vidéo. Avant toute intervention de l'IA, les films en niveaux de gris bruts ont été traités en trois étapes : d'abord, les images ont été moyennées dans le temps pour réduire le bruit aléatoire et les mouvements ; ensuite, des différences entre images ont été calculées pour mettre en évidence les changements réels du signal ; enfin, les signaux nettoyés ont été convertis en cartes de couleurs afin que les motifs d'activité ressortent clairement sur le fond.

Laisser une IA dessiner les contours

Une fois ces cartes clarifiées, les auteurs ont utilisé une nouvelle famille d'outils d'IA originellement conçus pour « segmenter n'importe quoi » dans des images et des vidéos. Dans leur pipeline, un expert humain n'a qu'à marquer la région d'intérêt dans la première image d'un clip. Le modèle d'IA, adapté à la vidéo, suit ensuite automatiquement cette région à travers les images restantes, traçant les contours des zones cérébrales actives d'un simple clic. Pour la plupart des clips, cette approche semi-automatique remplace le processus laborieux de tracé image par image, réduisant le temps d'annotation d'environ un ordre de grandeur tout en conservant la supervision humaine là où elle est la plus importante.

Vérifier que les cartes correspondent à la réalité

Pour s'assurer que ces contours générés par l'IA étaient fiables, l'équipe les a comparés à des annotations manuelles détaillées réalisées par des annotateurs expérimentés. Ils ont testé leur pipeline par rapport à un modèle classique d'apprentissage profond (U-Net) et par rapport à la sortie brute de l'IA de segmentation elle-même, sur des vidéos faciles, modérées et très bruitées. Leur pipeline sur mesure correspondait systématiquement mieux aux annotations humaines que les alternatives, même dans les cas les plus difficiles, avec des scores d'accord élevés indiquant que les contours capturent de manière fiable les signaux cérébraux réels. Des contrôles supplémentaires ont montré que deux experts humains distincts étaient eux-mêmes très cohérents entre eux, renforçant la confiance dans la « vérité de terrain » utilisée pour l'évaluation.

Des taches colorées aux connaissances sur le cerveau

Parce que chaque image de MouseCortex-IOS est précisément étiquetée, les chercheurs peuvent désormais calculer des mesures pratiques telles que l'endroit où un signal démarre, jusqu'où et à quelle vitesse il se propage, combien de temps il dure et quelle fraction du cortex il couvre. Les auteurs illustrent cela en suivant des ondes déclenchées par la stimulation du nerf vague, montrant comment l'activité balaie la surface cérébrale d'une manière conforme aux attentes des experts. En rendant à la fois le jeu de données et le code de traitement accessibles au public, ce travail offre une base commune pour développer et tester de nouveaux outils d'analyse, aidant en fin de compte les scientifiques à mieux comprendre la propagation de l'activité cérébrale en santé et en maladie.

Citation: 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

Mots-clés: imagerie du cortex de souris, signaux optiques intrinsèques, segmentation vidéo, cartographie de l'activité neuronale, jeu de données d'imagerie cérébrale