June 8, 2017

How the brain recognizes what the eye sees

New Salk Institute work hahmottelee brain ’ s visual process could improve self-driving cars and point to therapies for sensory impairment

June 8, 2017

LA JOLLA—jos luulet, että itseohjautuvat autot eivät pääse tänne tarpeeksi pian, et ole yksin. Mutta tietokoneiden ohjelmointi tunnistamaan esineitä on teknisesti haastavaa, varsinkin kun tutkijat eivät täysin ymmärrä, miten omat aivomme tekevät sen.

nyt Salk-instituutin tutkijat ovat analysoineet, miten aivojen kriittisen osan eli V2: n hermosolut reagoivat luonnollisiin kohtauksiin, mikä antaa paremman käsityksen näönkäsittelystä. Teosta on kuvattu Nature Communications-lehdessä 8. kesäkuuta 2017.

”sen ymmärtäminen, miten aivot tunnistavat visuaalisia kohteita, on tärkeää paitsi näön vuoksi, myös siksi, että se tarjoaa ikkunan siihen, miten aivot yleensä toimivat”, sanoo Salkin laskennallisen neurobiologian laboratorion apulaisprofessori ja vanhempi kirjoittaja Tatjana Sharpee. ”Suuri osa aivoistamme koostuu toistuvasta laskennallisesta yksiköstä, jota kutsutaan aivokuoren kolonniksi. Vision erityisesti voimme ohjata syötteitä aivoihin erittäin tarkasti, mikä mahdollistaa kvantitatiivisesti analysoida, miten signaalit muuttuvat aivoissa.”

vaikka usein pidämme näkemiskykyä itsestäänselvyytenä, tämä kyky johtuu sharpeen mukaan monimutkaisten matemaattisten muunnosten joukoista, joita emme vielä pysty toistamaan tietokoneella. Itse asiassa yli kolmannes aivoistamme on omistettu yksinomaan visuaalisten kohtausten jäsentämiseen.

näköhavaintomme alkaa silmästä vaaleilla ja tummilla pikseleillä. Nämä signaalit lähetetään aivojen takaosaan v1-nimiselle alueelle, jossa ne muuntuvat vastaamaan visuaalisten kohtausten reunoja. Jotenkin, seurauksena useita myöhempiä muutoksia tämän tiedon, voimme sitten tunnistaa kasvot, autot ja muut esineet ja ovatko ne liikkuvat. Miten tämä tunnistus tarkalleen tapahtuu, on vielä arvoitus osittain siksi, että kappaleita koodaavat neuronit reagoivat monimutkaisilla tavoilla.

nyt Sharpee ja Ryan Rowekamp, tutkijatohtori sharpeen ryhmässä, ovat kehittäneet tilastollisen menetelmän, joka ottaa nämä monimutkaiset vastaukset ja kuvaa ne tulkittavalla tavalla, jota voitaisiin käyttää apuna konesimuloidun näkökyvyn purkamisessa. Kehittääkseen malliaan ryhmä käytti julkisesti saatavilla olevia tietoja, jotka osoittivat kädellisten aivojen reaktioita katsomassa elokuvia luonnon kohtauksista (kuten metsämaisemista) Collaborative Research in Computational Neuroscience (CRCNS) – tietokannasta.

”sovelsimme uutta tilastollista tekniikkaamme selvittääksemme, mitkä piirteet elokuvassa saivat V2-hermosolut muuttamaan reaktioitaan”, rowekamp kertoo. ”Mielenkiintoista on, että havaitsimme v2-neuronien reagoivan reunojen yhdistelmiin.”

ryhmä paljasti, että v2-neuronit käsittelevät visuaalista informaatiota kolmen periaatteen mukaisesti: ensinnäkin ne yhdistävät särmät, joilla on samanlaiset orientaatiot, mikä lisää havaintokyvyn lujuutta pieniin muutoksiin käyrien asennossa, jotka muodostavat objektin rajoja. Toiseksi, jos hermosolu aktivoituu tietyn orientaation ja asennon reunasta, 90 asteen orientaatio siitä on suppressiivinen samassa paikassa, yhdistelmänä nimeltään ” cross-orientation suppression.”Nämä poikkisuuntaiset reunayhdistelmät on koottu eri tavoin, jotta voimme havaita erilaisia visuaalisia muotoja. Työryhmä havaitsi, että poikkisuuntaus oli välttämätöntä tarkan muodon havaitsemisen kannalta. Kolmas periaate on, että relevantit kuviot toistuvat avaruudessa tavoilla, jotka voivat auttaa hahmottamaan puiden tai veden kuvioituja pintoja ja niiden välisiä rajoja, kuten impressionistisissa maalauksissa.

tutkijat yhdistivät nämä kolme järjestämisperiaatetta malliksi, jonka he nimesivät Kvadraattiseksi Konvolusaatiomalliksi, jota voidaan soveltaa muihinkin kokeellisen aineiston joukkoihin. Visuaalinen käsittely on tutkijoiden mukaan todennäköisesti samanlaista kuin se, miten aivot käsittelevät hajuja, kosketusta tai ääniä, joten työ voisi valaista myös näiltä alueilta peräisin olevan tiedon käsittelyä.

”mallit, joita olin työstänyt ennen tätä, eivät olleet täysin yhteensopivia tietojen kanssa tai eivät olleet puhtaasti yhteensopivia”, rowekamp sanoo. ”Joten oli todella tyydyttävää, kun ajatus reunan tunnistuksen ja tekstuuriherkkyyden yhdistämisestä alkoi tuottaa tulosta työkaluna analysoida ja ymmärtää monimutkaisia visuaalisia tietoja.”

mutta välittömämpi sovellus voisi olla itseohjautuvien autojen tai muiden robottilaitteiden objektintunnistusalgoritmien parantaminen. ”Näyttää siltä, että aina kun tietokonenäköalgoritmeihin lisätään aivoista löytyviä laskennan elementtejä, niiden suorituskyky paranee”, Sharpee sanoo.

työtä rahoittivat National Science Foundation ja National Eye Institute.