全脑视觉范畴选择性的体内映射
神经元与认知
2025-10-27 v1
摘要
对皮层功能选择性的细粒度阐述，对于理解视觉信息在大脑中如何加工和表示至关重要。经典研究使用设计实验识别出多个范畴选择性区域；然而，这些方法依赖于对范畴的假设性预设。随后的数据驱动发现方法寻求克服这一限制，但往往受限于简单且通常是线性的编码模型。我们提出了一种用于数据驱动发现新范畴选择性假设的体内方法，基于编码-解码转换器模型。该体系结构包含脑区到图像特征的跨注意力机制，使其能够在高维深度网络特征和大脑活动中编码的语义模式之间建立非线性映射。我们进一步引入一种方法，通过利用扩散基于图像的生成模型和大规模数据集合成和筛选能够最大化激活每个脑区的图像。我们的方法揭示了涉及多样语义概念的复杂、组合选择性区域，这些区域在同一受试者内外以及跨受试者之间进行了验证。将脑编码器作为“数字孪生体”提供了一种强大的数据驱动框架，用于生成和测试关于大脑视觉选择性的假设——这些假设可指导未来的 fMRI 实验。我们的代码可在 https://kriegeskorte-lab.github.io/in-silico-mapping/ 获取。
引用
@article{arxiv.2510.21142,
title = {In Silico Mapping of Visual Categorical Selectivity Across the Whole Brain},
author = {Ethan Hwang and Hossein Adeli and Wenxuan Guo and Andrew Luo and Nikolaus Kriegeskorte},
journal= {arXiv preprint arXiv:2510.21142},
year = {2025}
}