Local recurrence accounts for extended processing during occluded-object recognition
Al integrar la MEG, el modelado computacional y diversas técnicas de neuroimagen, este estudio demuestra que el procesamiento recurrente local prolongado, en lugar de la retroalimentación descendente de largo alcance, es el mecanismo principal que permite el reconocimiento de objetos ocluidos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Nuestros cerebros son notablemente buenos para ver el mundo como una imagen completa, incluso cuando nuestros ojos reciben solo fragmentos. Cuando la rama de un árbol bloquea parte de un pájaro, o un coche estacionado oculta la parte trasera de un camión, no vemos piezas inconexas; vemos el animal o el vehículo completo. Esta capacidad de reconocer objetos a partir de una entrada visual incompleta es una parte fundamental de la percepción humana. Los científicos han sabido desde hace tiempo que este proceso requiere más que un único y rápido barrido de información que viaja desde el ojo al cerebro. Cuando la evidencia visual es ambigua o falta, el cerebro debe realizar un procesamiento adicional y más lento para rellenar los huecos. Sin embargo, una pregunta central ha permanecido sin respuesta: ¿cómo logra el cerebro esto? ¿Depende de una conversación rápida y constante entre diferentes regiones especializadas del cerebro, o depende de una única región trabajando más duro y durante más tiempo por su cuenta para armar la imagen?
Un equipo de investigadores se propuso resolver este misterio observando el cerebro humano en acción mientras las personas miraban objetos parcialmente ocultos. Utilizaron una técnica llamada magnetoencefalografía, que mide los diminutos campos magnéticos producidos por la actividad eléctrica en el cerebro, lo que les permite rastrear eventos neuronales con precisión de milisegundos. Mostraron a los participantes imágenes de cuatro tipos de objetos —camellos, ciervos, coches y motocicletas— algunos de los cuales estaban parcialmente cubiertos por formas negras para simular la oclusión. Para entender cómo procesaba estas imágenes el cerebro, compararon dos teorías principales. Una teoría sugería que el cerebro envía una señal "top-down" (de arriba hacia abajo) desde las áreas de nivel superior, que poseen la visión general, de vuelta a las áreas visuales tempranas para ayudar a aclarar las partes borrosas o escondidas. La otra teoría proponía que las áreas visuales tempranas simplemente necesitan más tiempo para procesar los fragmentos localmente, refinando la imagen mediante bucles internos repetidos sin necesidad de un mensaje de larga distancia desde la parte superior.
Los investigadores descubrieron que, cuando los objetos estaban ocultos, el cerebro tardaba más en reconocerlos, y este tiempo adicional era crucial para el éxito. Utilizaron un método llamado enmascaramiento hacia atrás (backward masking), donde se proyecta un patrón rápido y confuso inmediatamente después del objeto, para probar si este tiempo de procesamiento adicional era necesario. Descubrieron que si este tiempo de procesamiento adicional se veía interrumpido por la máscara, el cerebro fallaba al reconocer el objeto oculto. Esto confirmó que reconocer cosas ocluidas requiere un trabajo continuo y activo después de la mirada inicial. Sin embargo, cuando examinaron de cerca el flujo de información entre las diferentes regiones cerebrales, descubrieron algo sorprendente. El tiempo de las señales y la dirección de la comunicación entre las áreas visuales tempranas y las áreas de procesamiento de objetos de nivel superior no cambiaron de una manera que sugiriera que se estaba estableciendo un nuevo y urgente bucle de retroalimentación. Las regiones cerebrales se comunicaban entre sí, pero la conversación no se volvió más intensa ni cambió su patrón específicamente porque el objeto estuviera oculto.
Para entender exactamente qué estaba sucediendo dentro del cerebro, los investigadores construyeron un modelo computacional que imitaba la estructura del cerebro. Crearon tres versiones de este modelo: una que solo procesaba la información en un único paso hacia adelante, una que permitía a las regiones tempranas hacer circular la información de forma local en bucles, y una que incluía una vía de retroalimentación de largo alcance desde la parte superior del cerebro hacia la inferior. Cuando probaron estos modelos con los mismos objetos ocultos, el modelo con los bucles locales funcionó mucho mejor que la versión simple de un solo paso hacia adelante. Logró recuperar la identidad de los objetos ocultos, tal como lo hacía el cerebro humano. La versión con la vía de retroalimentación de largo alcance, sin embargo, no ofreció ninguna ventaja significativa sobre la versión de bucles locales. De hecho, añadir la conexión de largo alcance no hizo que el modelo fuera mejor reconociendo los objetos ocultos que los bucles locales por sí solos.
El estudio concluye que la capacidad del cerebro para reconocer objetos ocultos depende principalmente de un procesamiento local prolongado dentro de las propias áreas visuales. En lugar de enviar una señal especial desde los centros superiores del cerebro para arreglar la imagen, las regiones visuales tempranas parecen trabajar más duro y durante más tiempo por su cuenta, refinando repetidamente los fragmentos hasta que el objeto se vuelve claro. Si bien el cerebro ciertamente tiene conexiones de largo alcance que pueden enviar información de ida y vuelta, los investigadores no encontraron evidencia de que estas vías específicas fueran la clave para resolver el rompecabezas de la oclusión en este contexto. La solución residía en la circuitería local, que podía sostener y profundizar su propio análisis hasta que el objeto oculto fuera revelado. Este hallazgo cambia nuestra comprensión de la percepción visual, sugiriendo que la capacidad del cerebro para ver a través de los obstáculos es un testimonio del poder de la computación local e iterativa, más que de una misión de rescate desde la parte superior.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.