Model-based functional segmentation of the human lateral geniculate nucleus
Notice bibliographique
Résumé
The lateral geniculate nucleus of the thalamus (LGN) is somewhat unique in the visual pathway in that there is a clear separation of structure and function at a spatial scale that is resolvable by contemporary functional imaging techniques. Therefore, it provides a unique opportunity for developing and testing models of neural function, visual perception, and information flow throughout the brain. For instance, one prevailing theory of dyslexia contends that a malfunction in the M system throughout the brain is responsible for the behavioral deficits observed in dyslexics (Stein, 2001; Stein and Walsh, 1997). The LGN receives input from retinal ganglion cells and projectors directly to primary visual cortex, and can be functionally subdivided into layers on the basis of the response properties of the neurons contained therein. Neurons in the magnocellular (M) and parvocellular (P) layers of the LGN have distinct and complimentary spatial and temporal tuning properties. However, functionally segmenting the LGN on the basis of these neural response properties using functional brain imaging techniques has proven difficult. Recent attempts have been made to segment the LGN into its M and P subdivisions (Denison et al., 2014; Zhang et al., 2015) using fMRI. In these experiments, researchers took advantage of the complementarity of the response properties of M and P neurons to differentially drive the BOLD activity during the presentation of various stimulus features (i.e., contrast, spatial frequency, temporal frequency, color sensitivity). Here, we present a new spatiotemporal population receptive field (pRF) model that leverages the differences in the temporal frequency tuning and neural discharge patterns among M and P neural populations. This spatiotemporal pRF model estimates provide activation maps describing the LGN both in terms of its retinotopic organization and temporal response profile, and so affords an avenue for differentiating the M and P layers of the LGN. Meeting abstract presented at VSS 2017
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».