「視覚前野」の版間の差分

　視覚前野における視覚情報処理を解明するには、ニューロンや機能的領野の結合関係や反応特性のデータをもとに刺激特徴抽出の数理モデルによる定量的な解析を進める必要がある。すでに計算論的神経科学(computational neuroscience)の分野でV1に関する様々な数理モデルが提案されている（[[視差エネルギーモデル]]を参照）。視覚前野においても、階層が隣接する領野間の反応特性の関係に着目した、[[線形加算]]型の数理モデルが幾つか提案されている。V1の出力を線形加算するモデルがV2<ref><pubmed>21841776</pubmed></ref><ref name=refb /><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を説明できることが示されている。これらのモデルでは刺激要素の連続した組み合わせ（輪郭線）に対する反応が、個々の刺激要素（線分）の空間的な配置や組み合わせ方により説明されている。さらに輪郭線の形状が刺激要素の組み合わせの線形加算により説明されるモデルがV4や<ref name=ref2 /><ref><pubmed>11698538</pubmed></ref><ref><pubmed>12426571</pubmed></ref><ref><pubmed>17596412</pubmed></ref>、IT野<ref><pubmed>15235606</pubmed></ref><ref><pubmed>18836443</pubmed></ref>で提案されている。一方、面状に広がる刺激（ドットパターン、テクスチャや自然画像）る反応と刺激に含まれる刺激要素の量の多寡や分布との関係についは、まだ説明が十分でない<ref><pubmed>16987926</pubmed></ref><ref><pubmed>19778517</pubmed></ref>。また視覚入力によるボトムアップ的なニューロンの反応選択性の形成とは別に、大局的な情報や注意や予測の効果については、ベイズ推定の考え方が注目されるものの、モデルとして説明するのは今後の課題である。近年、注目すべき点は、深層学習等の計算アルゴリズムの進歩、およびビックデータと呼ばれるような大量のデータの蓄積である。視覚情報処理の機能を実現するネットワークより、リバースエンジニアリングの手法により生体の神経メカニズムを探る研究が注目されている。今後も数理モデルによる視覚情報処理メカニズムの解析が進展することが期待される。