ABSTRACT Electrophysiological and optical imaging provide complementary neural sensing capabilities – electrophysiological recordings have the highest temporal resolution, while optical imaging allows recording the activities of genetically defined populations at high spatial resolution. Combining these complementary, yet orthogonal modalities to perform simultaneous large-scale, multimodal sensing of neural activity across multiple brain regions would be very powerful. Here we show that transparent, inkjet-printed electrocorticography (ECoG) electrode arrays can be seamlessly integrated with morphologically conformant transparent polymer skulls for multimodal recordings across the cortex. These ‘eSee-Shells’ were implanted on transgenic mice expressing the Ca 2+ indicator GCaMP6f in cortical excitatory cells and provided a robust opto-electrophysiological interface for over 100 days. eSee-Shells enable simultaneous mesoscale Ca 2+ imaging and ECoG acquisition under anesthesia as well as in awake animals presented with sensory stimuli. eSee-Shells further show sufficient clarity and transparency to observe single-cell Ca 2+ signals directly below the electrodes and interconnects. Simultaneous multimodal measurement of cortical dynamics reveals changes in both ECoG and Ca 2+ signals that depend on the behavioral state.

ABSTRACT Morphometric studies have provided crucial insights into the skull anatomy of commonly used wildtype (WT) laboratory mice strains such as the C57BL/6. With the increasing use of transgenic (TG) animals in neuroscience research, it is important to determine whether the results from morphometric studies performed on WT strains can be extended to TG strains derived from these WT strains. We report a new computer vision-based analysis pipeline for surveying mouse skull morphology using microcomputed tomography (μCT) scans. We applied this pipeline to study and compare eight cohorts of adult mice from two strains, including both male and female mice at two age points. We found that the overall skull morphology was generally conserved between cohorts, with only 13% of landmark distance differences reaching statistical significance. In addition, we surveyed the dorsal skull bone thickness differences between cohorts. We observed significantly thicker dorsal, parietal, and/or interparietal bones in WT, male, or older mice for 53% of thickness comparisons. This knowledge of dorsal skull bone thickness has potential implications for surgical planning through skull imaging and has applications in automating cranial microsurgeries on mice.

Neuroscientists employ various experimental procedures to interface with the brain to study and perturb the neural activity during behavior. A common procedure that allows such physical interfacing is cranial microsurgery, wherein small to large craniotomies are performed in the overlying skull for insertion of neural interfaces or implantation of optically clear windows for long-term cranial observation. Performing craniotomies is, however, a skilled task that requires significant time and practice and further needs to be carried out precisely to ensure that the procedure does not cause damage to the underlying brain and dura. Here, we present a computer vision-guided craniotomy robot (CV-Craniobot) that utilizes machine learning to accurately estimate the dorsal skull anatomy from optical coherence tomography (OCT) images. Instantaneous information of the skull morphology is used by a robotic mill to rapidly and precisely remove the skull from a desired craniotomy location. We show that the CV-Craniobot can perform small (2 - 4 mm diameter) craniotomies with near 100% success rates within 2 minutes and large craniotomies encompassing most of the dorsal cortex in less than 5 minutes. Thus, the CV-Craniobot enables rapid and precise craniotomies, significantly reducing surgery time as compared to human practitioners and eliminating the need for long training.