En videosegmenteringsdataset för muscortex för spårning av intrinsisk optisk signal och analys av neural aktivitet

Att iaktta hjärnvågor utan att öppna skallen

Att förstå hur aktivitetsvågor sprider sig över hjärnan är avgörande för att hantera sjukdomar som epilepsi, stroke och demens. Men att direkt iaktta dessa vågor i levande hjärnor är tekniskt krävande. Denna studie presenterar MouseCortex-IOS, ett omsorgsfullt uppbyggt öppet dataset som låter forskare världen över utforska hur mushjärnans aktivitet sprider sig över cortex yta och testa nya verktyg inom artificiell intelligens (AI) för att analysera detta mer tillförlitligt och automatiskt.

En kamera mot den levande hjärnan

I stället för att föra in elektroder i hjärnan använde forskarna en metod kallad intrinsisk optisk signalavbildning, där en känslig kamera tittar genom ett litet fönster i musens skalle. Subtila förändringar i hur hjärnans yta reflekterar ljus avslöjar skiftningar i blod och syresättning kopplade till nervaktivitet. Dessa förändringar är mycket svaga — ofta mindre än några procent av bakgrunden — och kan lätt överröstas av brus eller små rörelser, vilket gjort datan svår att tolka och jämföra mellan laboratorier.

Att förvandla brusiga filmer till meningsfulla kartor

För att hantera detta byggde teamet ett dataset från 14 möss som utsattes för olika experimentella förhållanden, inklusive nervstimulering och kemiska utlösare av spridande aktivitetsvågor. Från långa inspelningssessioner extraherade de 5 732 nyckelbilder grupperade i 194 korta videoklipp. Innan någon AI rörde datan bearbetades de råa gråskalefilmerna i tre steg: först medelvärdesbildning över tid för att reducera slumpmässigt brus och rörelse; sedan beräknades skillnader mellan ramar för att framhäva verkliga signalförändringar; och slutligen konverterades de rengjorda signalerna till färgkartor så att aktivitetsmönster tydligt framträdde mot bakgrunden.

Låta en AI-assistent rita gränserna

När dessa klarare kartor skapats använde författarna en ny familj av AI-verktyg ursprungligen designade för att "segmentera vad som helst" i bilder och videor. I deras pipeline behöver en mänsklig expert bara markera intresseområdet i första rutan av ett klipp. AI-modellen, finjusterad för video, följer sedan automatiskt det området över de övriga ramarna och ritar konturerna för aktiva hjärnområden med ett enda klick. För de flesta klipp ersätter detta semiautomatiska tillvägagångssätt den tidskrävande processen att spåra varje ruta för hand, vilket minskar märkningstiden med ungefär en storleksordning samtidigt som mänsklig översyn behålls där det är viktigast.

Kontrollera att kartorna stämmer överens med verkligheten

För att säkerställa att dessa AI-genererade konturer var pålitliga jämförde teamet dem med detaljerade manuella markeringar gjorda av erfarna annotatörer. De testade sin pipeline mot en klassisk djupinlärningsmodell (U-Net) och mot den råa utdata från segmenterings-AI:n själv, över lätta, måttliga och mycket brusiga videor. Deras skräddarsydda pipeline överensstämde konsekvent närmare mänskliga etiketter än alternativen, även i de svåraste fallen, med starka överensstämmelsespoäng som visar att konturerna tillförlitligt fångar verkliga hjärnsignaler. Ytterligare kontroller visade att två olika mänskliga experter själva var mycket konsistenta med varandra, vilket stärker förtroendet för den "jordmån" som användes för utvärdering.

Från färgade fläckar till hjärninsikter

Eftersom varje ruta i MouseCortex-IOS är precist märkt kan forskare nu beräkna praktiska mått som var en signal startar, hur långt och hur snabbt den rör sig, hur länge den varar och hur stor del av cortex den täcker. Författarna demonstrerar detta genom att spåra vågor utlöst av stimulering av vagusnerven och visar hur aktiviteten sveper över hjärnans yta på ett sätt som överensstämmer med experters förväntningar. Genom att göra både datasetet och bearbetningskoden offentligt tillgängliga erbjuder detta arbete en gemensam grund för att bygga och testa nya analysverktyg, vilket i slutändan hjälper forskare att bättre förstå hur hjärnaktivitet sprider sig vid hälsa och sjukdom.

Citering: 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

Nyckelord: avbildning av muscortex, intrinsiska optiska signaler, videosegmentering, kartläggning av neural aktivitet, dataset för hjärnavbildning