Een dataset van muiscortex-video's voor het volgen van intrinsieke optische signalen en analyse van neurale activiteit

Hersen golven bekijken zonder de schedel te openen

Begrijpen hoe activiteitsgolven zich over de hersenen verspreiden is essentieel voor het aanpakken van aandoeningen zoals epilepsie, beroerte en dementie. Maar deze golven rechtstreeks observeren in levende hersenen is technisch uitdagend. Deze studie introduceert MouseCortex-IOS, een zorgvuldig samengestelde open dataset waarmee onderzoekers wereldwijd kunnen onderzoeken hoe muisbrainactiviteit zich over het corticale oppervlak verspreidt en nieuwe kunstmatige-intelligentie (AI)-hulpmiddelen kunnen testen om die analyses betrouwbaarder en geautomatiseerder te maken.

Een camera op de levende hersenen

In plaats van elektroden in de hersenen te plaatsen, gebruikten de onderzoekers een methode genaamd intrinsieke optische signaalbeeldvorming, waarbij een gevoelige camera door een klein venster in de muisschedel kijkt. Subtiele veranderingen in hoe het hersenoppervlak licht reflecteert, tonen verschuivingen in bloed en zuurstof die verbonden zijn met neuronale activiteit. Deze veranderingen zijn uiterst zwak—vaak minder dan een paar procent van de achtergrond—en raken gemakkelijk weggedrukt door ruis of kleine bewegingen, wat het interpreteren en vergelijken van gegevens tussen laboratoria lastig maakte.

Ruisige opnamen omzetten in betekenisvolle kaarten

Om dit aan te pakken bouwde het team een dataset van 14 muizen die verschillende experimentele condities ondergingen, waaronder zenuwstimulatie en chemische triggers van zich verspreidende activiteitsgolven. Uit lange opnamesessies haalden ze 5.732 sleutelbeelden, gegroepeerd in 194 korte videoclips. Voordat enige AI de data bewerkte, werden de rauwe grijswaardenfilms in drie stappen verwerkt: eerst werden frames over de tijd gemiddeld om willekeurige ruis en beweging te verminderen; tweede werden verschillen tussen frames berekend om echte signaalveranderingen te benadrukken; en ten derde werden de opgeschoonde signalen omgezet in kleurenkaarten zodat activiteitspatronen duidelijk tegen de achtergrond afstaken.

De AI-assistent de grenzen laten tekenen

Zodra deze helderdere kaarten waren gemaakt, gebruikten de auteurs een nieuwe familie van AI-tools die oorspronkelijk ontworpen zijn om "alles te segmenteren" in beelden en video's. In hun pijplijn hoeft een menselijke expert alleen het interessegebied in het eerste frame van een clip aan te geven. Het AI-model, afgestemd op video, volgt die regio vervolgens automatisch door de rest van de frames en trekt met één klik de omtrekken van actieve hersengebieden. Voor de meeste clips vervangt deze semi-automatische aanpak het moeizame proces van elk frame handmatig natekenen, vermindert de labeltijd ruwweg met een factor tien en behoudt waar het nodig is menselijke toezicht.

Controleren of de kaarten overeenkomen met de realiteit

Om te waarborgen dat deze door AI gegenereerde omtrekken betrouwbaar waren, vergeleek het team ze met gedetailleerde handmatige aanduidingen van ervaren annotatoren. Ze testten hun pijplijn tegen een klassiek deep-learningmodel (U-Net) en tegen de ruwe output van de segmentatie-AI zelf, over makkelijke, matige en zeer ruizige video's. Hun op maat gemaakte pijplijn kwam consequent dichter bij de menselijke labels dan de alternatieven, zelfs in de moeilijkste gevallen, met sterke overeenstemmingsscores die aangeven dat de omtrekken betrouwbaar echte hersensignalen vastleggen. Aanvullende controles toonden aan dat twee verschillende menselijke experts onderling ook zeer consistent waren, wat vertrouwen geeft in de gebruikte "ground truth" voor evaluatie.

Van gekleurde vlekken naar herseninzicht

Omdat elk frame in MouseCortex-IOS nauwkeurig gelabeld is, kunnen onderzoekers nu praktische maten berekenen zoals waar een signaal begint, hoe ver en hoe snel het zich verspreidt, hoe lang het duurt en welk deel van de cortex het bestrijkt. De auteurs demonstreren dit door golven te volgen die worden getriggerd door stimulatie van de nervus vagus, en laten zien hoe activiteit over het hersenoppervlak veegt op een manier die overeenkomt met verwachtingen van experts. Door zowel de dataset als de verwerkingscode openbaar beschikbaar te maken, biedt dit werk een gedeelde basis voor het bouwen en testen van nieuwe analysetools, wat uiteindelijk helpt wetenschappers beter te begrijpen hoe hersenactiviteit zich verspreidt bij gezondheid en ziekte.

Bronvermelding: 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

Trefwoorden: muiscortexbeeldvorming, intrinsieke optische signalen, videosegmentatie, mapping van neurale activiteit, dataset hersenbeeldvorming