「視覚前野」の版間の差分

　V1と同様に、視覚前野のニューロンは（古典的）受容野内に呈示された視覚刺激が持つ刺激特性を抽出する。視覚刺激の位置情報は受容野の位置で表される。各領野は[[wikipedia:ja:レチノトピー|レチノトピー]]（網膜部位の再現）の性質を示し（詳細は[[受容野]]を参照）、片半球の1つの領野が反対側の[[wikipedia:ja:視野|視野]]を映す一枚のトポグラフィックな視野地図を表す。受容野の位置が中心視野（fovea）から周辺視野に移るにつれて、受容野の大きさは大きくなる。領野内で中心視野を表す部分の面積は大きく、周辺視野に移るにつれて占有面積の割合が減少する(V6は除く）。マカカ属サルのV2、V3、V4はそれぞれV1の前方に帯状に広がり、大脳皮質の腹側の領域が反対側の視野の上半分（上視野）を表し、背側の領域が視野の下半分（下視野）を表し、その間の領域が中心視野を表す。領野の境界は視野の垂直子午線（vertical meridian）ないし水平子午線（horizontal meridian）を表す。垂直子午線付近のニューロンは脳梁を介して反対側の半球から入力を受け、両側の視野にまたがる受容野を持つ。V1、V2、V3、V4の中心視野領域は月状溝（lunate sulcus）の終端部付近に収束している。この付近では受容野が小さくその差違が明瞭でないので、領野の境界を正確に定めることが難しい。V3、V4の区分には諸説がある（後述。V3,V4の項を参照）。V5/MTは上側頭溝（superior temporal sulcus、STS）内部に、V6は頭頂後頭溝（parieto-occipital sulcus, PO)内部にあり、上視野と下視野が連続した一枚の視野地図を持つ。非侵襲的な計測法（fMRI）の開発により、視野地図のイメージングによるヒトの領野区分が進んだ。V1、V2、V5/MTのようなマカカ属サルと相同な領野（ホモログ）が同定されているが、V3、V4、V6等の高次領域については諸説ある（後述。V3、V4、V6の項を参照）。ヒトの高次領域では個体差が大きい。ネコやフェレットではV1、V2、V3をそのまま17野、18野、19野と呼ぶことが一般的である<ref><pubmed>8439738</pubmed></ref><ref><pubmed>11884357</pubmed></ref>。ネコやフェレットの高次領域の区分は確立されていない。サルの視覚前野がV1から主な入力を受けるのに対して、ネコやフェレットでは、[[wikipedia:ja:外側膝状体|外側膝状体]]から17野、18野、19野に並行な投射が存在する<ref><pubmed>231475</pubmed></ref>。マウスやラットの大脳皮質にもV1より高次の視覚領域が複数存在することが知られているが、個別の領野として確立されるには至っていない<ref><pubmed>1184785</pubmed></ref><ref><pubmed>661689</pubmed></ref><ref><pubmed>6776164</pubmed></ref><ref><pubmed>2358036</pubmed></ref><ref><pubmed>7690066</pubmed></ref><ref><pubmed>8335065</pubmed></ref><ref><pubmed>17366604</pubmed></ref>。

　視覚前野の機能的な領野は階層的な結合関係を持ち、V1と高次視覚野（側頭葉、後頭頂葉）の間で、視覚情報の中間処理を行う。視野情報から知覚情報への過渡的な変換の一部を担う。領野間のフィードフォワード投射に着目すると視覚情報の流れを階層的なネットワークの枠組みで捉えることができる。V1ニューロンは、その受容野内に呈示される局所的な刺激特徴（色（輝度）、線の傾き、両眼視差による奥行、運動方向）とその位置の情報（受容野の位置）を視覚前野に伝える。視覚前野の階層を上がるほど受容野のサイズが大きくなり、より広範囲の視野に含まれる刺激要素や刺激特徴の情報を取捨選択して統合して、より複雑な刺激特徴を抽出する。ただし、領野間の変化は過渡的なものであり、階層を上がる度にニューロンの反応が変化するというよりは、複雑な刺激特徴に選択的に反応するニューロンの割合が徐々に増えるというのが正しい。一方、刺激要素の位置情報やレチノトピーの性質は徐々に失われる。またV2やV4ではCOストライプやグロブ（後述。V2、V4の項を参照）ごとに局所的な視野地図の繰り返しが生じている。視覚情報の流れは主に背側視覚路と腹側視覚路とに分かれる<ref>'''L G Ungerleider, M Mishkin'''<br>Two cortical visual systems.<br>''Analysis of Visual Behavior'' (D J Ingle, M A Goodale, R J W Masfield, eds.), MIT Press, Cambridge, MA, 1982.</ref><ref><pubmed>2471327</pubmed></ref><ref><pubmed>1965642</pubmed></ref><ref><pubmed>1702462</pubmed></ref><ref><pubmed>1734518</pubmed></ref><ref><pubmed>8038571</pubmed></ref>（詳細は[[視覚経路]]、[[受容野]]を参照）。同一視野の情報が複数の領野で分散並列処理されており、外側膝状体やV1と異なり、視覚前野のある領野が局所的に損傷されても視野に欠損（暗点）は生じない。

　視覚前野の領野が特定の刺激特性に関与することから、視覚前野にも知覚判断の中枢として機能する領野が存在することが期待された。運動からの構造の知覚（後述）において知覚される運動方向の変化に合わせてV5/MTのニューロンの反応が変化することと、ドットパターンの運動方向の知覚（後述）において以下の条件を満たすことから、V5/MTのニューロンがそうした視覚中枢の一つであることが示された。しかし、V5/MT以外の領野では、ニューロン活動と個体の知覚判断との因果関係を明らかにする試みはあまり成功していない。

　一群のニューロンが特定の視知覚の神経メカニズム（神経相関、neural correlates）であることの根拠として、サルなどの動物を強制選択課題で訓練し、課題遂行中に電気活動を記録して、①ニューロンの反応選択性が知覚判断に必要な情報を十分に表すこと、②試行ごとに動物の知覚判断とニューロンの反応強度の間に相関関係が存在すること、③ある領野を局所的に破壊、麻痺、電気刺激することにより動物の知覚判断を操作できること、④曖昧な視覚刺激に対する試行ごとの知覚判断の変動がニューロンの反応強度の変動と相関すること、⑤知覚判断の表示方法（動作）と無関係であること、などを示す必要がある<ref name=ref11><pubmed>1464765</pubmed></ref><ref name=ref12><pubmed>1607944</pubmed></ref><ref  name=ref13><pubmed>3385495</pubmed></ref>。V5/MTでは、①領野内の大多数のニューロンが運動方向や両眼視差に選択性を示し、領野として特定の機能に特化していた、②運動方向や奥行に対する選択性が等しいニューロンがコラム状の狭い領域に集中しており、それらの操作が容易であった、③結果的に知覚判断が比較的小数のニューロンの活動に依存していたことが、因果関係を検証する際の利点となったと考えられる。

　視覚前野における視覚情報処理のプロセスや仕組みを解明するには、ニューロンや機能的領野の結合関係、視覚刺激とニューロンの反応特性と知覚判断の間の因果関係に加えて、背後にある計算理論の理解が必要である([[Marrの計算論]]を参照）。ニューロンが示す刺激選択性が形成される過程について様々な神経モデルが提案されている（詳細は[[wikipedia:ja:計算論的神経科学|計算論的神経科学]]を参照）。計算機技術の進歩に伴い大規模なモデルのフィッティングや学習によるパラメータの最適化と統計学的な解析が可能になり、ニューロンが示す反応を定量的に説明するモデル研究が盛んになった。また、ニューロンごとに最適されたモデルのパラメータから、個々のニューロンの特性を表すことや、モデルにそって視覚刺激を合成してニューロンの反応を検証することも行われている。

 

　特定の刺激要素（線成分、色（輝度）成分、空間周波数成分）を組み合わせて合成しパラメトリックに変化させた視覚刺激に対する反応については、個別の刺激要素に対するニューロンの反応ないしは隣接階層からの出力を模したモデルの出力を組み合わせてニューロンの反応を再現する。V1モデル（時空間フィルタ）の出力の線形加算によりV2<ref name=ref71><pubmed>21841776</pubmed></ref><ref name=refc />やV5/MT<ref><pubmed>8570605</pubmed></ref><ref><pubmed>17041595</pubmed></ref>のニューロンの反応選択性の形成過程をある程度は説明できることが示されている。またV4ニューロンが輪郭線の形状に対して示す選択的な反応が曲線要素（V2モデルの出力）の組み合わせにより説明されることが示されている<ref name=ref2><pubmed>11698538</pubmed></ref><ref><pubmed>12426571</pubmed></ref><ref><pubmed>17596412</pubmed></ref>。また、重層的ネットワークの性質として、修飾作用（受容野を横切る輪郭線の折れ曲がり、傾きの向きが異なる縞模様の組みあわせ、境界線を挟んだ図と地の向き対する反応）について、フィードバック投射や受容外から作用する興奮性/抑制性の修飾作用を取り入れたモデルが提案されている<ref name=refc><pubmed>21091803</pubmed></ref><ref><pubmed>16768360</pubmed></ref><ref><pubmed>8261126</pubmed></ref>。一方、近年は不特定多数の自然画像を視覚刺激として、ニューロン活動に関与する刺激要素を割り出すデータ駆動型の解析が盛んになっている。ドットパターン、テクスチャ、自然画像に特定の刺激要素を見いだすことは難しいが、いったん画像データをV1モデルで処理し、その出力を合成した自然画像様の人工刺激に対する反応を比較することにより、視覚刺激に含まれる空間周波数成分の分布や高次統計量に選択性を示すニューロンがV2,V4にあることが示された<ref><pubmed>16987926</pubmed></ref><ref><pubmed>19778517</pubmed></ref><ref name=ref91><pubmed>21841776</pubmed></ref><ref name=ref92><pubmed>23685719</pubmed></ref><ref name=ref93><pubmed>25535362</pubmed></ref>。

 

　近年、畳み込みニューラルネットワーク（CNN）の深層学習を利用した視覚情報処理技術の研究開発が著しく進歩している（詳細は[[wikipedia:ja:人工知能|人工知能]]を参照）。自然画像のカテゴリー分類においてヒトに匹敵する能力を持つニューラルネッワークモデルが登場しており、その中間層（隠れ層）のノードがV1ないしV4のような特性を持つことが示されている<ref><pubmed>30570484</pubmed></ref>。脳機能をそのまま再現するモデルではないが、視覚入力と知覚判断の間の情報処理の課程を構築するという点と、特定の刺激特徴に特化するのではなくより汎用的なモデルを構築するという点で、ネットワークのりバースエンジニアリングが視覚前野のメカニズム研究の手がかりとなることが期待される<ref><pubmed>29163117</pubmed></ref>。視覚前野のモデル研究においても、[[wikipedia:ja: ニューラルネットワーク|ニューラルネットワーク]]、スパース符号化(sparse coding)、[[wikipedia:ja:深層学習|深層学習]]によるモデルの学習の考え方をとりいれた階層的なネットワークモデルが提案されている<ref><pubmed>26203137</pubmed></ref><ref><pubmed>27140760</pubmed></ref><ref><pubmed>22114163</pubmed></ref><ref>'''H Lee, C Ekanadham, A Y Ng'''<br>Sparse deep belief net model for visual area V2.<br>''Advances Neural Information Processing Systems, Vol.20'' (J C Platt, D Koller, Y Singer, S T Roweis, eds. ,pp873-880,2008.</ref>。