Zbiór wideo segmentacji kory myszy do śledzenia wewnętrznych sygnałów optycznych i analizy aktywności nerwowej

Obserwowanie fal mózgowych bez otwierania czaszki

Zrozumienie, jak fale aktywności rozchodzą się po mózgu, jest kluczowe dla radzenia sobie z zaburzeniami takimi jak padaczka, udar czy demencja. Jednak bezpośrednie obserwowanie tych fal w żywych mózgach jest technicznie wymagające. W tym badaniu przedstawiono MouseCortex-IOS, starannie opracowany otwarty zbiór danych, który umożliwia badaczom na całym świecie badanie rozprzestrzeniania się aktywności mózgu po powierzchni kory oraz testowanie nowych narzędzi sztucznej inteligencji (AI) do jej bardziej niezawodnej i automatycznej analizy.

Kamera patrząca na żywy mózg

Zamiast wkładać elektrody do mózgu, badacze zastosowali metodę zwaną obrazowaniem wewnętrznych sygnałów optycznych, w której czuła kamera rejestruje obraz przez niewielkie okienko w czaszce myszy. Subtelne zmiany w odbiciu światła od powierzchni mózgu ujawniają przesunięcia we krwi i tlenie związane z aktywnością nerwową. Zmiany te są niezwykle słabe — często poniżej kilku procent tła — i łatwo giną w szumie lub wskutek drobnych ruchów, co utrudniało interpretację danych i porównania między laboratoriami.

Przekształcanie zaszumionych filmów w sensowne mapy

Aby temu sprostać, zespół zbudował zbiór danych z 14 myszy poddanych różnym warunkom eksperymentalnym, w tym stymulacji nerwów i chemicznemu wyzwalaniu fal rozchodzących się po mózgu. Z długich sesji nagraniowych wyekstrahowano 5 732 kluczowe obrazy pogrupowane w 194 krótkie klipy wideo. Zanim jakakolwiek AI zajęła się danymi, surowe filmy w skali szarości przetworzono w trzech krokach: najpierw uśredniono ramki w czasie, by zmniejszyć losowy szum i ruchy; następnie obliczono różnice między klatkami, by uwydatnić rzeczywiste zmiany sygnału; wreszcie oczyszczone sygnały przekształcono w mapy kolorów, dzięki czemu wzory aktywności wyraźnie odcinały się od tła.

Pozwolenie asystentowi AI na rysowanie granic

Gdy powstały wyraźniejsze mapy, autorzy użyli nowej rodziny narzędzi AI pierwotnie zaprojektowanych do „segmentowania czegokolwiek” na obrazach i wideo. W ich procedurze ekspert człowiek musi oznaczyć obszar zainteresowania tylko w pierwszej klatce klipu. Model AI, dostrojony do pracy na wideo, automatycznie podąża za tym regionem w kolejnych klatkach, rysując kontury aktywnych obszarów mózgu jednym kliknięciem. W większości klipów podejście półautomatyczne zastępuje mozolne śledzenie każdej klatki ręcznie, skracając czas etykietowania mniej więcej o rząd wielkości przy zachowaniu nadzoru człowieka tam, gdzie jest to najważniejsze.

Sprawdzanie, czy mapy odpowiadają rzeczywistości

Aby upewnić się, że wygenerowane przez AI kontury są wiarygodne, zespół porównał je ze szczegółowymi oznaczeniami wykonanymi przez doświadczonych annotatorów. Przetestowali swój proces w porównaniu z klasycznym modelem głębokiego uczenia (U-Net) oraz z surowymi wynikami samego narzędzia segmentacyjnego, na materiałach łatwych, umiarkowanych i bardzo zaszumionych. Ich dostosowany pipeline konsekwentnie lepiej odpowiadał etykietom ludzkim niż alternatywy, nawet w najtrudniejszych przypadkach, osiągając wysokie wskaźniki zgodności, które wskazują, że kontury rzetelnie odwzorowują rzeczywiste sygnały mózgowe. Dodatkowe kontrole wykazały też, że dwaj różni eksperci byli wzajemnie wysoce zgodni, co wzmacnia zaufanie do „prawdy bazowej” użytej do oceny.

Od kolorowych plam do wglądu w mózg

Dzięki precyzyjnemu oznakowaniu każdej klatki w MouseCortex-IOS, badacze mogą teraz obliczać praktyczne miary, takie jak miejsce początkowe sygnału, jak daleko i jak szybko się rozchodzi, jak długo trwa oraz jaką część kory obejmuje. Autorzy demonstrują to, śledząc fale wywołane stymulacją nerwu błędnego, pokazując, jak aktywność przemieszcza się po powierzchni mózgu zgodnie z oczekiwaniami ekspertów. Udostępniając zarówno zbiór danych, jak i kod przetwarzający, praca ta daje wspólną podstawę do budowy i testowania nowych narzędzi analitycznych, co ostatecznie pomaga naukowcom lepiej rozumieć, jak aktywność mózgowa rozprzestrzenia się w zdrowiu i w chorobie.

Cytowanie: 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

Słowa kluczowe: obrazowanie kory myszy, wewnętrzne sygnały optyczne, segmentacja wideo, mapowanie aktywności nerwowej, zbiór danych obrazowania mózgu