İçsel Optik Sinyal İzleme ve Sinir Aktivitesi Analizi İçin Fare Korteksi Video Segmentasyon Veri Kümesi

Kafatasını Açmadan Beyin Dalga İzleme

Aktivite dalgalarının beyinde nasıl yayıldığını anlamak, epilepsi, inme ve demans gibi bozukluklarla mücadele etmek için hayati öneme sahiptir. Ancak bu dalgaları canlı beyinlerde doğrudan izlemek teknik olarak zorludur. Bu çalışma, araştırmacıların fare korteksindeki aktivitenin yüzey boyunca nasıl yayıldığını incelemelerine ve bunu daha güvenilir, otomatik biçimde analiz etmek için yeni yapay zeka (YZ) araçlarını test etmelerine olanak veren, titizlikle hazırlanmış açık bir veri kümesi olan MouseCortex-IOS’u sunar.

Canlı Beyne Baktıran Bir Kamera

Beyne elektrot yerleştirmek yerine araştırmacılar, fare kafatasında açılan küçük bir pencereden hassas bir kameranın baktığı içsel optik sinyal görüntüleme adlı bir yöntem kullandılar. Beyin yüzeyinin ışığı yansıtma biçimindeki ince değişimler, sinir aktivitesiyle ilişkili kan ve oksijen düzeyindeki dalgalanmaları ortaya koyar. Bu değişimler son derece zayıftır—çoğunlukla arka planın birkaç yüzdesinden az—ve gürültü veya küçük hareketlerle kolayca gölgelenir, bu da verilerin yorumlanmasını ve laboratuvarlar arasında karşılaştırılmasını zorlaştırmıştır.

Gürültülü Filmleri Anlamlı Haritalara Dönüştürmek

Bunu aşmak için ekip, sinir uyarımı ve yayılan beyin aktivitesi dalgalarını kimyasal olarak tetikleme gibi farklı deney koşullarından geçen 14 fareden bir veri kümesi oluşturdu. Uzun kayıt oturumlarından 194 kısa video klibe gruplanmış 5.732 anahtar görüntü çıkarıldı. Verilere herhangi bir YZ dokunmadan önce ham gri tonlamalı filmler üç adımda işlendi: birincisi, rastgele gürültüyü ve hareketi azaltmak için kareler zaman üzerinde ortalandı; ikincisi, sinyalde gerçek değişiklikleri vurgulamak için kareler arasındaki farklar hesaplandı; üçüncüsü ise temizlenmiş sinyaller, aktivite desenlerinin arka plana karşı net şekilde öne çıkması için renk haritalarına dönüştürüldü.

Bir YZ Yardımcısının Sınırları Çizmesine İzin Vermek

Bu daha net haritalar oluşturulduktan sonra yazarlar, esasen görüntü ve videolarda “her şeyi segmentleme” için tasarlanmış yeni bir YZ araç ailesini kullandılar. İş akışlarında insan uzman yalnızca bir klibin ilk karesinde ilgi alanını işaretliyor. Video için ayarlanmış YZ modeli ardından tek bir tıklamayla o bölgeyi kalan kareler boyunca otomatik olarak izleyip aktif beyin alanlarının sınırlarını çiziyor. Çoğu klip için bu yarı otomatik yaklaşım, her kareyi elle izleme zahmetini büyük ölçüde azaltarak etiketleme süresini kabaca on kat kısaltırken, insan denetimini gereken yerlerde koruyor.

Haritaların Gerçeklikle Uyumunu Kontrol Etmek

Bu YZ tarafından üretilen sınırların güvenilir olduğunu göstermek için ekip, bunları deneyimli anotatörler tarafından yapılan ayrıntılı elle işaretlemelerle karşılaştırdı. İş akışlarını klasik bir derin öğrenme modeli (U-Net) ve segmentasyon YZ’sinin ham çıktısı ile kolay, orta ve çok gürültülü videolarda test ettiler. Özelleştirilmiş iş akışları, en zor durumlar dahil olmak üzere alternatiflere kıyasla insan etiketleriyle daha tutarlı eşleşmeler sergiledi; güçlü uyum skorları, çizimlerin gerçek beyin sinyallerini güvenilir şekilde yakaladığını gösterdi. Ek kontroller ayrıca iki farklı insan uzmanının birbirleriyle yüksek tutarlılık gösterdiklerini ortaya koydu ve değerlendirme için kullanılan “yer gerçeği”ne (ground truth) olan güveni pekiştirdi.

Renkli Lekelerden Beyin İçgörülerine

MouseCortex-IOS’ta her karenin hassas biçimde etiketlenmiş olması sayesinde araştırmacılar artık bir sinyalin nerede başladığı, ne kadar ve ne hızla yayıldığı, ne kadar sürdüğü ve korteksin ne kadarını kapsadığı gibi pratik ölçümleri hesaplayabiliyor. Yazarlar bunu vagus sinirini uyarmayla tetiklenen dalgaları izleyerek gösteriyor; aktivitenin korteks yüzeyinde uzman beklentileriyle uyumlu bir şekilde nasıl yayıldığını ortaya koyuyorlar. Veri kümesini ve işlem kodunu herkese açık hale getirerek bu çalışma, yeni analiz araçları geliştirmek ve test etmek için paylaşılan bir temel sunuyor; sonuçta bilim insanlarının sağlıklı ve hasta beyinlerde aktivitenin nasıl yayıldığını daha iyi anlamalarına yardımcı oluyor.

Atıf: 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

Anahtar kelimeler: fare korteks görüntüleme, içsel optik sinyaller, video segmentasyonu, sinir aktivitesi haritalama, beyin görüntüleme veri kümesi