Come il cervello riconosce ciò che l'occhio vede

Come il cervello riconosce ciò che l'occhio vede

Un nuovo studio del Salk Institute che delinea il processo visivo del cervello potrebbe migliorare le auto a guida autonoma e indicare terapie per i deficit sensoriali

LA JOLLA—Se pensate che le auto a guida autonoma non siano ancora disponibili, non siete i soli. Ma programmare i computer per riconoscere gli oggetti è tecnicamente molto impegnativo, soprattutto perché gli scienziati non comprendono appieno come lo faccia il nostro cervello.

Ora, i ricercatori del Salk Institute hanno analizzato come i neuroni in una parte critica del cervello, chiamata V2, rispondono a scene naturali, fornendo una migliore comprensione dell'elaborazione della vista. Il lavoro è descritto in Nature Communications giugno 8, 2017.

"Capire come il cervello riconosce gli oggetti visivi è importante non solo per il bene della vista, ma anche perché fornisce una finestra su come funziona il cervello in generale", afferma Tatyana Sharpee, professore associato presso il Laboratorio di Neurobiologia Computazionale del Salk College e autore senior dell'articolo. "Gran parte del nostro cervello è composta da un'unità computazionale ripetuta, chiamata colonna corticale. Soprattutto nella vista, possiamo controllare gli input che arrivano al cervello con estrema precisione, il che rende possibile analizzare quantitativamente come i segnali vengono trasformati nel cervello".

Sebbene spesso diamo per scontata la capacità di vedere, questa capacità deriva da una serie di complesse trasformazioni matematiche che non siamo ancora in grado di riprodurre al computer, secondo Sharpee. Infatti, più di un terzo del nostro cervello è dedicato esclusivamente al compito di analizzare le scene visive.

La nostra percezione visiva inizia nell'occhio con pixel chiari e scuri. Questi segnali vengono inviati alla parte posteriore del cervello, in un'area chiamata V1, dove vengono trasformati per corrispondere ai bordi delle scene visive. In qualche modo, come risultato di diverse trasformazioni successive di queste informazioni, possiamo poi riconoscere volti, auto e altri oggetti e se si stanno muovendo. Come avvenga esattamente questo riconoscimento è ancora un mistero, in parte perché i neuroni che codificano gli oggetti rispondono in modi complessi.

Ora, Sharpee e Ryan Rowekamp, ricercatore post-dottorato del gruppo di Sharpee, hanno sviluppato un metodo statistico che prende queste risposte complesse e le descrive in modi interpretabili, che potrebbero essere utilizzati per aiutare a decodificare la visione per la simulazione visiva al computer. Per sviluppare il loro modello, il team ha utilizzato dati pubblici che mostrano le risposte cerebrali di primati che guardano filmati di scene naturali (come paesaggi forestali) dal database Collaborative Research in Computational Neuroscience (CRCNS).

"Abbiamo applicato la nostra nuova tecnica statistica per capire quali caratteristiche del film inducessero i neuroni V2 a modificare le loro risposte", afferma Rowekamp. "È interessante notare che abbiamo scoperto che i neuroni V2 rispondevano a combinazioni di bordi".

Il team ha scoperto che i neuroni V2 elaborano le informazioni visive secondo tre principi: in primo luogo, combinano bordi con orientamenti simili, aumentando la robustezza della percezione a piccoli cambiamenti nella posizione delle curve che formano i confini degli oggetti. In secondo luogo, se un neurone viene attivato da un bordo con un particolare orientamento e posizione, l'orientamento a 90 gradi da quello sarà soppressivo nella stessa posizione, una combinazione definita "soppressione dell'orientamento incrociato". Queste combinazioni di bordi con orientamento incrociato vengono assemblate in vari modi per consentirci di rilevare diverse forme visive. Il team ha scoperto che l'orientamento incrociato era essenziale per un rilevamento accurato delle forme. Il terzo principio è che i pattern rilevanti vengono ripetuti nello spazio in modi che possono aiutare a percepire le superfici strutturate di alberi o acqua e i confini tra di esse, come nei dipinti impressionisti.

I ricercatori hanno incorporato i tre principi organizzativi in un modello che hanno chiamato modello convoluzionale quadratico, che può essere applicato ad altri set di dati sperimentali. È probabile che l'elaborazione visiva sia simile al modo in cui il cervello elabora odori, tatto o suoni, affermano i ricercatori, quindi il lavoro potrebbe chiarire anche l'elaborazione dei dati provenienti da queste aree.

"I modelli su cui avevo lavorato in precedenza non erano del tutto compatibili con i dati, o non lo erano in modo pulito", afferma Rowekamp. "Quindi è stato davvero gratificante quando l'idea di combinare il riconoscimento dei bordi con la sensibilità alle texture ha iniziato a dare i suoi frutti come strumento per analizzare e comprendere dati visivi complessi".

Ma l'applicazione più immediata potrebbe essere quella di migliorare gli algoritmi di riconoscimento degli oggetti per le auto a guida autonoma o altri dispositivi robotici. "Sembra che ogni volta che aggiungiamo elementi di calcolo presenti nel cervello agli algoritmi di visione artificiale, le loro prestazioni migliorino", afferma Sharpee.

Il lavoro è stato finanziato dal National Science Foundation e Istituto Nazionale Oculistico.