Identifying sharpest tuning directions in visual sensory neurons using neural implicit representation models and contrastive learning

Abstract

Understanding the selectivity of neurons in the primary visual cortex (V1) is essential for decoding how the brain interprets visual information. Traditional tuning curve analysis describes how neural responses vary with specific stimulus attributes, but often fails to capture the full complexity of neuronal encoding in high-dimensional stimulus space. This thesis introduces a novel data-driven approach to identify the sharpest tuning direction, the direction in image space along which neural activity decreases most rapidly when deviating from the maximally exciting stimulus. We leverage deep neural networks trained to predict the responses of macaque V1 neurons as digital twins, enabling in silico experimentation. A neural implicit representation model (NIRM) is adapted and extended to learn an implicit image representation of the sharpest tuning direction. The model incorporates contrastive learning and distance-based regularization to generate interpretable and smooth transformations while preserving relevant stimulus structure. To evaluate the extracted tuning directions, we apply spectral analysis using 2D Fast Fourier Transform, revealing systematic patterns in orientation and spatial frequency across the neuron population. These findings provide a richer understanding of V1 neuron selectivity and...

Porozumění selektivity neuronů v primární zrakové kůře (V1) je klíčem k pochopení toho, jak mozek interpretuje vizuální informace. Tradiční analýzy funkční specificity neuronů v primární zrakové kůře popisují změny neurální odpovědi v závislosti na určitých parametrech podnětů. Často ovšem nedochází k zachycení plné složitosti kódování neurálních odpovědí ve vysoce dimenzionálním prostoru možných vstupních podnětů. Tato práce představuje nový datově řízený přístup pro identifikaci tzv. nejstrmějšího směru funkční specificity - směru v obrazovém prostoru, podél kterého aktivita neuronů klesá nejrychleji při vzdalování se od maximálně stimulujícího vstupu. Práce využívá model založený na hluboké neuronové síti natrénované k predikci odpovědí vizuálních senzorických neuronů makaka. Neurální model implicitní reprezentace (NIRM) byl natrénován tak, aby zachytil implicitní trajektorii největší změny ve funkční specificitě neuronu za pomocí využití modelu neurální aktivity makaka. Kontrastní učení a regularizační techniky byly použity pro dosažení interpretovatelných a plynulých vizuálních transformací, které zachovávají původní strukturu obrazového stimulu. K vyhodnocení výsledných změn ve funkční specificitě byla použita spektrální analýza založená na dvourozměrné Fourierově transformaci. Výsledky ukazují...