用于本征光信号追踪和神经活动分析的小鼠皮层视频分割数据集

不打开颅骨即可观察脑电波

理解活动波如何在脑内传播对于应对癫痫、中风和痴呆等疾病至关重要。但在活体大脑中直接观察这些波动在技术上具有挑战性。本研究引入了 MouseCortex-IOS——一个精心构建的开放数据集，使全球研究者能够探索小鼠皮层表面上脑活动的传播，并测试用于更可靠、自动化分析的新型人工智能（AI）工具。

给活体大脑装上摄像机

研究人员没有在脑内插入电极，而是使用了一种称为本征光学信号成像的方法，借助一台敏感相机通过小鼠颅骨上的微小观察窗拍摄。大脑表面对光的反射发生的细微变化，反映出与神经活动相关的血液和氧合状态变化。这些变化非常微弱——通常低于背景的几个百分点——很容易被噪声或微小运动淹没，这也使得数据难以解释并在不同实验室之间难以比较。

把嘈杂的视频变成有意义的地图

为了解决这一问题，团队构建了一个来自14只小鼠的数据集，这些小鼠经历了不同的实验条件，包括神经刺激和化学诱导的扩散性脑活动波。从长时间记录中提取出5,732张关键图像，分组为194个短视频剪辑。在任何AI处理之前，原始灰度电影经过三步处理：首先，对帧进行时间平均以降低随机噪声和运动影响；其次，计算帧间差异以突出真实信号变化；第三，将清理后的信号转换为彩色映射，使活动模式在背景中清晰显现。

让AI助手画出边界

在生成这些更清晰的图谱后，作者使用了一类最初用于“分割任何东西”的新型AI工具。在他们的流程中，人工专家只需在剪辑的第一帧标记感兴趣区域。针对视频调优的AI模型随后自动在剩余帧中跟踪该区域，一次点击即可绘制出活跃脑区的轮廓。对于大多数剪辑，这种半自动方法取代了逐帧手工描绘的繁复过程，将标注时间大约缩短一个数量级，同时在关键处保留人工监督。

验证这些地图是否反映真实情况

为了确保这些AI生成的轮廓值得信赖，团队将其与经验丰富的标注者手工绘制的详细标记进行了比较。他们将自己的流程与经典深度学习模型（U-Net）以及分割AI的原始输出在简单、中等和极噪声三类视频上进行了测试。他们定制的流程在各类情况下始终比替代方法更接近人工标注，即便在最困难的情形下也表现出强烈的一致性评分，表明轮廓能够可靠地捕捉到真实的脑信号。额外的验证显示，两位不同的人工专家之间本身也高度一致，进一步增强了用于评估的“真实标签”的可信度。

从彩色斑块到脑科学洞见

由于 MouseCortex-IOS 中的每一帧都被精确标注，研究者现在可以计算实用指标，比如信号起始位置、传播距离与速度、持续时间以及覆盖皮层的面积。作者通过追踪迷走神经刺激触发的波来演示这些能力，显示活动如何以符合专家预期的方式横扫皮层表面。通过公开数据集和处理代码，这项工作为构建和测试新分析工具提供了共同基础，最终有助于科学家更好地理解健康与疾病状态下脑活动的传播方式。

引用: 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

关键词: 小鼠皮层成像, 本征光学信号, 视频分割, 神经活动映射, 脑成像数据集