Hvordan er Visual Cortex organiseret?
Al visuel information, som det menneskelige sind modtager, behandles af en del af hjernen kendt som visuel cortex . Den visuelle cortex er en del af det yderste lag i hjernen, cortex, og er placeret ved rygpolen i den occipitale lob; mere enkelt sagt, nederst bag på hjernen. Den visuelle cortex får sine oplysninger via fremspring, der strækker sig hele hjernen gennem øjenkuglerne. Fremskrivningerne passerer først gennem et mellemlanding midt i hjernen, en mandellignende klump kendt som Lateral Geniculate Nucleus eller LGN. Derfra projiceres de til den visuelle cortex til behandling.
Visuel cortex er opdelt i fem områder mærket V1, V2, V3, V4 og MT, som lejlighedsvis benævnes V5. V1, som undertiden kaldes striatcortex på grund af det stribe udseende, når det farves og anbringes under et mikroskop, er langt den største og vigtigste. Det kaldes undertiden primær visuel cortex eller område 17. De andre visuelle områder kaldes ekstrastriat cortex . V1 er et af de mest omfattende studerede og forståede områder af den menneskelige hjerne.
V1 er et ca. 0,07 inch (2 mm) tykt hjernelag med omkring området med et indekskort. Fordi den klemmes op, er dens volumen kun et par kubikcentimeter. Neuronerne i V1 er organiseret på både lokalt og globalt niveau med horisontale og lodrette organisationsskemaer. Relevante variabler, der skal abstraheres fra de rå sensoriske data, inkluderer farve, form, størrelse, bevægelse, orientering og andre, som er mere subtile. Den paralleliserede karakter af beregning i den menneskelige hjerne betyder, at der er visse celler, der aktiveres af tilstedeværelsen af farve A, andre aktiveres af farve B, og så videre.
Den mest åbenlyse organisatoriske protokol i V1 er vandrette lag. Der er seks hovedlag, mærket med romertal som I til VI. Jeg er det yderste lag, længst væk fra øjenkuglerne og LGN, og modtager følgelig det mindste antal direkte fremspring, der indeholder visuelle data. De tykeste nervepunkter fra LGN projiceres i lag V og VI, som i sig selv indeholder nerver, der rager ud i LGN igen og danner en feedback-loop. Feedback mellem afsenderen af visuelle data (LGN) og dens processor (V1) er nyttig til at afklare arten af tvetydige sansedata.
Rå sensoriske data kommer fra øjnene som et ensemble af nervefyringer kaldet et retinotopisk kort . Den første serie af neuroner er designet til at udføre relativt elementære analyser af sensoriske data - en samling af neuroner designet til at detektere lodrette linjer kan aktiveres, når en kritisk tærskel for visuelle "pixels" viser sig at være konfigureret i et lodret mønster. Processorer på højere niveau træffer deres "beslutninger" baseret på forbehandlede data fra andre neuroner; for eksempel kan en samling af neuroner designet til at detektere hastighed af et objekt være afhængig af information fra neuroner designet til at detektere objekter som separate enheder fra deres baggrund.
Et andet organisatorisk skema er den vertikale eller kolumente neurale arkitektur. En søjle strækker sig gennem alle vandrette lag og består normalt af neuroner, der har funktionelle ligheder ("neuroner, der skyder sammen, ledes sammen"), og fælles i deres forspændinger. For eksempel kan en kolonne muligvis acceptere oplysninger udelukkende fra højre øjeæble, den anden til venstre. Kolonner har normalt underkolonner, der kaldes henholdsvis makrokolonner og mikrokolonner . Mikrokolonner kan være så små, at de kun indeholder hundrede individuelle neuroner.
Det er vanskeligt at studere detaljerne i informationsbehandling i den menneskelige hjerne på grund af den komplekse, ad hoc og tilsyneladende rodede måde, hvorpå primat hjerner udviklede sig, såvel som den komplekse natur, som enhver hjerne er sikker på at vise i kraft af sin enorme opgave. Selektiv skade på visuel cortex hos dyr er historisk set en af de mest produktive (og kontroversielle) måder at undersøge neurale funktioner på, men i nyere tid har forskere udviklet værktøjer til selektiv at deaktivere eller aktivere specifikke hjerneområder uden at skade dem. Opløsningen af hjernescanningsenheder øges eksponentielt, og algoritmerne øges i sofistikering for at håndtere oversvømmelsen af data, der er karakteristiske for de kognitive videnskaber. Det er ikke umuligt at antyde, at vi en dag vil være i stand til at forstå den visuelle cortex i sin helhed.