Az MRI vizsgálat egy speciális típusa, a funkcionális mágneses rezonanciavizsgálat (fMRI) igen nagy karriert futott be a közelmúltban, mivel a fejlesztéseknek köszönhetően időnként döbbenetes eredményekkel szolgál. A laikusok számára ez a vizsgálat azt jelenti (többek között), hogy az agyi aktivitás egy olyan méréséről van szó, ahol a kapott adatok alapján elvileg vissza lehet következtetni arra, hogy az alany előtt egy adott szituációban milyen kép jelent meg, és ezt lehetséges valamilyen módon vizualizálni.

Ez a feladat hallatlanul nehéz és bonyolult, így kiemelkedőnek számíthat az a kutatás és fejlesztés, melyről az MIT Technology Review számolt be.

Az fMRI esetében az a legnagyobb gond, hogy a kapott szkennelési adatok nagyon komoly zajszűrési feltételeket támasztanak és óriási számítási kapacitást igényelnek ahhoz, hogy egy minimális rekonstrukció is megszülethessen.

E probléma megoldásán dolgoznak kínai kutatók egy pekingi kutatóközpontban, és friss publikációjuk szerint sikerült egy olyan technológiát kidolgozniuk, amelynek részletei csak a valóban hozzáértők számára lehetnek ismerősek és ténylegesen felfoghatóak – „deep learning” technikákat használnak fel arra, hogy a három dimenziós képpontok, a voxelek „nem-lináris korrelációit” kezeljék.

De a lényeg: ez a technológia a kínai kutatók szerint jelentősen felgyorsítja azt a folyamatot, amikor próbálják rekonstruálni az agy által érzékelt és megalkotott képeket, emellett minőségében is jobb.

[+]

Még egyszerűbben: a kutatók az általuk alkalmazott technológiával állítólag képesek az agyi aktivitás szkennelése után a kívülálló számára is prezentálni, hogy az illető milyen képet lát. A leírás alapján arról lehet szó, hogy egy tanulni képes szoftvert alkalmaznak, amely rengeteg példa alapján egyre pontosabban tudja a szkennelt képen érzékelt agyi aktivitási akciót megfeleltetni egy valódi képnek, képrészletnek: ha itt, az agyban ez történik, akkor a „szem” előtt nagy valószínűség szerint ez látszódik.

A rendszert oda-vissza folyamatosan tesztelik, szűréseket alkalmaznak, és ennek az az előnye, hogy egyre inkább szűkíthetik a feldolgozandó adatok mennyiségét. A „mélytanuló” szoftver kiemelten figyel a voxelek egymással való kapcsolatára („deep generative multiview model”) ezáltal az eddigi legnagyobb gondot, a zajszűrést óriási ugrással tudják javítani.

A módszer a prezentációk alapján különösen hatékony. Ha mindezeket az eredményeket a kutatói közösség megerősíti, és használható módszerről van szó, annak hatásai szinte beláthatatlanok: első lépésként jelentősen meg lehet növelni az agyi interfész-készülékek hatékonyságát és pontosságát.

De ha egy picit továbblépünk, könnyen belátható, hogy ez a kutatás egyrészt kiemelkedő lehet a vakság vagy rosszul látás kezelésében, ugyanakkor fontos lépés lehet abban az irányban, hogy olyan technológiák jöjjenek létre, melyek az agyi aktivitás tartalmát – legalábbis az érzékelési szinten – képesek legyenek kifelé megjeleníteni.

És így tovább.