Modeling spatio-temporal dynamics in primary visual cortex using deep neural network model
| Název práce v češtině: | Modelování časoprostorové dynamiky v primární zrakové kůře pomocí modelu hluboké neuronové sítě |
|---|---|
| Název v anglickém jazyce: | Modeling spatio-temporal dynamics in primary visual cortex using deep neural network model |
| Klíčová slova: | vizuální kortex, rekurentní sítě, hluboké neurální sítě |
| Klíčová slova anglicky: | visual cortex, recurrent networks, model deep neural networks |
| Akademický rok vypsání: | 2024/2025 |
| Typ práce: | diplomová práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra buněčné biologie (31-151) |
| Vedoucí / školitel: | Mgr. Ján Antolík, Ph.D. |
| Řešitel: | Mgr. David Beinhauer - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 01.11.2024 |
| Datum zadání: | 01.11.2024 |
| Datum potvrzení stud. oddělením: | 04.11.2024 |
| Datum odevzdání elektronické podoby: | 29.04.2025 |
| Datum proběhlé obhajoby: | 06.06.2025 |
| Oponenti: | Mgr. Vít Škrhák |
| Ocenění: | Práce byla navržena na ocenění |
| Seznam odborné literatury |
| . Daniel A. Butts. Data-Driven Approaches to Understanding Visual Neuron Activity (2019). Annual Reviews of Vision Neuroscience, 5:20.1–20.27 2. Cadena, S. A., Denfield, G. H., Walker, E. Y., Gatys, L. A., Tolias, A. S., Bethge, M., & Ecker, A. S. (2017). Deep convolutional models improve predictions of macaque V1 responses to natural images. bioRxiv, 201764. https://doi.org/10.1101/201764 3. Antolík, J., Cagnol, R., Rózsa, T., Monier, C., Frégnac, Y., & Davison, A. P. (2024). A comprehensive data-driven model of cat primary visual cortex. PLOS Computational Biology, 20, 1–42. 4. Konstantin-Klemens Lurz, Mohammad Bashiri, Konstantin Willeke, Akshay K. Jagadish, Eric Wang, Edgar Y. Walker, Santiago A. Cadena, Taliah Muhammad, Erick Cobos, Andreas S. Tolias, Alexander S. Ecker, Fabian H. Sinz (2020) Generalization in data-driven models of primary visual cortex. bioRxiv |
| Předběžná náplň práce |
| viz níže |
| Předběžná náplň práce v anglickém jazyce |
| Application of deep neural networks to large datasets of neural data recorded in response to a library of visual stimuli become the dominant method of unraveling the function of neurons in the visual cortex. The standard approaches however (i) ignore known anatomical structure of visual cortex, (ii) use purely feed-forward NN as opposed to the intrinsically recurrent biological networks, (iii) only capture the mean steady state response. To address this, in this project student will build a DNN model composed of multiple recurrent neural network stages, that will be constrained to follow various known anatomical structures, and train the resulting model on fine temporal recordings of V1 responses to natural images. Student will use a combination of massive parallel multielectrode array recordings from macaque V1 to tens of thousands of images, and even more large-scale synthetic data from our spiking V1 model (3) to develop the new DNN models. Student will also explore if replacing each neuron of the RNNs with a small DNN network (shared across all neurons of the given type) that will model the transfer function represented by the more complex non-linear spiking neurons will improve the performance of the RNN model. |