mardi 6 octobre 2015

Comment le cerveau reconnaît les objets?

Quand les yeux sont ouverts, l'information visuelle de la rétine coule à travers le nerf optique et dans le cerveau, qui assemble ces informations brutes en objets et des scènes.

Les scientifiques ont déjà émis l'hypothèse que les objets sont distingués dans le temporel (IT) cortex inférieur, qui est près de la fin de cette circulation de l'information, aussi appelée la voie ventrale. Une nouvelle étude de neuroscientifiques MIT propose preuve que cela est effectivement le cas.

Utilisant des données des humains et les primates non humains, les chercheurs ont constaté que les modèles neurone de tir dans le cortex IT sont fortement corrélés avec succès des tâches objet de reconnaissance.

"Bien que nous savions du travail avant que l'activité de la population neuronale dans le cortex temporal inférieur était probablement sous-tendre reconnaissance visuelle d'objets, nous ne disposions pas d'une carte prédictive qui pourraient lien exact que l'activité neuronale à la perception et le comportement objet. Les résultats de cette étude démontrent que un plan particulier d'aspects particuliers de l'activité informatique de la population à un comportement est très précis sur tous les types d'objets qui ont été testés ", dit James DiCarlo, chef du département du MIT de Brain and Cognitive Sciences, un membre de l'Institut McGovern pour Brain Research, et auteur principal de l'étude, qui paraît dans le Journal of Neuroscience.

Auteur principal de l'étude est Najib Majaj, un ancien postdoc dans le laboratoire de DiCarlo qui est maintenant à l'Université de New York. D'autres auteurs sont ancien étudiant diplômé du MIT de Hong Ha et ancien premier cycle du MIT Ethan Salomon.

Distinguer les objets

Arrêts antérieurs le long de la voie ventrale sont censés traiter des éléments visuels de base tels que la luminosité et de l'orientation. Des fonctions plus complexes se déroulent plus loin le long de la rivière, avec la reconnaissance d'objets croyait à se produire dans le cortex des TI.

Pour étudier cette théorie, les chercheurs ont d'abord demandé à des sujets humains pour effectuer 64 tâches objet de reconnaissance. Certaines de ces tâches étaient «trivialement facile," dit Majaj, comme distinguer une pomme d'une voiture. D'autres - comme la discrimination entre deux visages très semblables - ont été si difficiles que les sujets étaient correctes seulement environ 50 pour cent du temps.

Après la mesure de la performance humaine sur ces tâches, les chercheurs ont ensuite montré le même ensemble de près de 6000 images pour les primates non humains comme ils ont enregistré l'activité électrique des neurones du cortex temporal inférieur et une autre région visuelle appelée V4.

Chacun des neurones 168 informatiques et 128 V4 neurones tirés en réponse à certains objets mais pas d'autres, la création d'un modèle de mise à feu qui servait de signature distinctive pour chaque objet. En comparant ces signatures, les chercheurs ont pu analyser si ils corrélés à la capacité des humains à distinguer entre deux objets.

Les chercheurs n’ont constaté que les modes de tir de l'informatique de neurones, les neurones, mais pas V4, parfaitement prédit les performances humaines qu'ils avaient vu. Autrement dit, lorsque les humains ont du mal à distinguer deux objets, les signatures de neurones pour ces objets étaient si semblables que ne se distingue pas, et pour les paires où les humains ont réussi, les modèles étaient très différentes.

"Sur les stimuli facile, il a fait ainsi que les humains, et sur les stimuli difficile, il a également échoué," dit Majaj. "Nous avions une belle corrélation entre le comportement et les réponses de neurones."

Les résultats soutiennent l'hypothèse que les tendances de l'activité neuronale dans le cortex Il peut encoder des représentations d'objets suffisamment détaillées pour permettre au cerveau de distinguer des objets différents, disent les chercheurs.

La performance du modèle

Les chercheurs ont également testé plus de 10.000 d'autres modèles possibles pour la façon dont le cerveau peut encoder des représentations d'objets. Ces modèles variaient en fonction de l'emplacement dans le cerveau, le nombre de neurones nécessaires, et la fenêtre de temps pour l'activité neuronale.

Certains de ces modèles, y compris certains qui reposait sur V4, ont été éliminés parce qu'ils ont mieux réussi que les humains sur certaines tâches et pire encore sur les autres.

"Nous voulions la performance des neurones pour correspondre parfaitement à la performance des humains en termes de modèle, de sorte que les tâches faciles serait facile pour la population de neurones et les tâches difficiles serait difficile pour la population de neurones», explique Majaj.

L'équipe de recherche vise maintenant à recueillir des données encore plus à se demander si ce modèle ou des modèles similaires peuvent prédire la difficulté comportementale de la reconnaissance d'objets sur chaque image visuelle - une barre encore plus élevé que celui testé à ce jour. Cela pourrait nécessiter d'autres facteurs pour être inclus dans le modèle qui ne sont pas nécessaires dans cette étude, et pourrait donc exposer des lacunes importantes dans la compréhension actuelle des représentations neuronales d'objets de scientifiques.

Ils prévoient également d'étendre le modèle afin qu'ils puissent prévoir les réactions en informatique basée sur les contributions des parties précédentes du flux visuel.

"Nous pouvons commencer à construire une cascade d'opérations de calcul qui vous prennent à partir d'une image sur la rétine lentement à travers V1, V2, V4, jusqu'à ce que nous sommes en mesure de prédire la population dans les TI», dit Majaj.