Model V1 s realistickou distribucí funkčních typů neuronů v rámci kortikálních vrstev

Abstract

Primární zraková kůura (V1) obsahuje dva hlavní funkční okruhy neuronů, takzvané simplexní a komplexní buňky. Tyto buňky se liší svými reakcemi na určité podněty a jejich vznik byl nedávno simulován v jednom z výpočetních modelů V1. V tomto modelu se však obě kategorie neuronůu vyvíjejí v oddělených vrstvách, které odpovídají vrstvám 4C a 2/3 zrakové kůry. To je v rozporu s experimentálními daty, jež ukazují, že oba typy buněk jsou (i když nerovnoměrně) zastoupeny v obou vrstvách. V této práci je představen výpočetní model s realistickým rozložením obou typů buněk. Narozdíl od předcházejících modelů obsahujících inhibiční spojení dlouhého dosahu, můj model obsahuje excitační spojení dlouhého dosahu, která byla pozorována u zvířat. Abych zhodnotil vlastnosti modelu, porovnal jsem jej s výsledky studie zkoumající zrakovou kůru makaků. Model vykazuje velkou diverzitu neuronů různě preferujících rozličné orientace stimulů, v souladu s touto studií. Navíc v něm vznikají mapy orientační preference a realistická receptivní pole.

There have been identified two functionally different neuron classes in the primary visual cortex (V1), so-called simple and complex cells. These cells differ in reactions to various stimuli and their development has been successfully simulated in one computational model of V1. This model, however, simulates both classes in separate layers corresponding to layers 4C and 2/3 in V1. On the contrary, experiments have shown that both categories are - in different proportions - present in both layers. In this thesis, a computational model with a realistic distribution of complex and simple cells is presented. To increase its authenticity, I incorporate long-range excitatory and short-range inhibitory lateral cortical connections as found in animals, overcoming one drawback of previous models that used long-range inhibition. To assess my model, two measures of orientation selectivity - circular variance and orientation bandwidth - were computed for each simulated neuron. Using this measures, I compared my model with data from macaque monkey. In line with biological findings, my model develops a wide diversity of orientation selectivity. Moreover, it develops maps of orientation preference and realistic receptive fields.