Набор видео для сегментации коры мыши для отслеживания собственных оптических сигналов и анализа нейронной активности

Наблюдая мозговые волны без вскрытия черепа

Понимание того, как волны активности распространяются по мозгу, жизненно важно для борьбы с такими заболеваниями, как эпилепсия, инсульт и деменция. Но непосредственное наблюдение этих волн в живом мозге технически сложно. В этом исследовании представлен MouseCortex-IOS — тщательно сформированный открытый набор данных, который позволяет исследователям по всему миру изучать, как активность в мозге мыши распространяется по поверхности коры, и проверять новые инструменты искусственного интеллекта (ИИ) для более надёжного и автоматизированного анализа.

Камера на живом мозге

Вместо ввода электродов в мозг исследователи использовали метод, называемый визуализацией собственных оптических сигналов: чувствительная камера снимает через крошечное окно в черепе мыши. Едва заметные изменения в отражении света от поверхности мозга отражают сдвиги в крови и кислороде, связанные с нервной активностью. Эти изменения крайне слабы — часто менее нескольких процентов от фонового уровня — и легко теряются на фоне шума или небольших движений, что затрудняло интерпретацию данных и их сопоставление между лабораториями.

Преобразование шумных фильмов в информативные карты

Чтобы решить эту задачу, команда собрала набор данных из 14 мышей, подвергавшихся разным экспериментальным условиям, включая стимуляцию нервов и химическое вызов распространённых волн активности. Из долгих сессий записи они выделили 5732 ключевых изображения, сгруппированных в 194 коротких видеоклипа. Прежде чем к данным прикоснулся ИИ, сырые градации серого в видео были обработаны в три этапа: сначала кадры усредняли по времени, чтобы уменьшить случайный шум и движение; затем вычисляли разности между кадрами, чтобы выделить реальные изменения сигнала; и, наконец, очищенные сигналы преобразовывали в цветовые карты, чтобы паттерны активности чётко выделялись на фоне.

Доверив ИИ очерчивать границы

Когда эти более понятные карты были получены, авторы использовали новое семейство инструментов ИИ, изначально разработанных для "сегментации всего" на изображениях и в видео. В их конвейере человеческому эксперту нужно лишь отметить область интереса в первом кадре клипа. Модель ИИ, настроенная на работу с видео, затем автоматически отслеживает эту область в последующих кадрах, проводя контуры активных областей мозга одним кликом. Для большинства клипов такой полуавтоматический подход заменяет кропотливый процесс ручного обвода каждого кадра, сокращая время разметки примерно на порядок и при этом сохраняя человеческий контроль там, где это важно.

Проверка соответствия карт реальности

Чтобы убедиться, что контуры, сгенерированные ИИ, вызывают доверие, команда сравнила их с детальной ручной разметкой, выполненной опытными аннотаторами. Они протестировали свой конвейер против классической модели глубокого обучения (U-Net) и против сырого вывода самой сегментационной системы ИИ, на лёгких, средних и очень шумных видео. Их адаптированный конвейер стабильно ближе соответствовал человеческим меткам, чем альтернативы, даже в самых сложных случаях, с высокими оценками согласия, указывающими на то, что контуры надёжно отражают реальные мозговые сигналы. Дополнительные проверки показали, что два разных эксперта также высоко согласованы между собой, что укрепляет доверие к использованной "эталонной правде" для оценки.

От цветных пятен к инсайтам о мозге

Поскольку каждый кадр в MouseCortex-IOS точно размечен, исследователи теперь могут вычислять практические измерения, такие как место возникновения сигнала, насколько далеко и с какой скоростью он распространяется, как долго длится и какую долю коры охватывает. Авторы демонстрируют это, отслеживая волны, вызванные стимуляцией блуждающего нерва, показывая, как активность распространяется по поверхности мозга в соответствии с ожиданиями экспертов. Публикуя как набор данных, так и код обработки, эта работа предлагает общую основу для создания и тестирования новых инструментов анализа, в конечном счёте помогая учёным лучше понимать, как активность мозга распространяется в здоровом и заболевшем состоянии.

Цитирование: 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

Ключевые слова: изображение коры мыши, собственные оптические сигналы, сегментация видео, карта нейронной активности, набор данных по визуализации мозга