Un défi majeur dans le développement de meilleures prothèses neuronales est le codage sensoriel : convertir les informations capturées par les capteurs de l’environnement en signaux neuronaux pouvant être interprétés par le système nerveux. Cependant, le nombre d’électrodes dans une prothèse étant limité, cet apport environnemental doit être réduit d’une certaine manière tout en préservant la qualité des données transmises au cerveau.
Demetri Psaltis (Optics Lab) et Christophe Moser (Laboratory of Applied Photonics Devices) ont travaillé avec Diego Ghezzi de l’Hôpital ophtalmique Jules-Gonin – Fondation Asile des Aveugles (anciennement Chaire Medtronic en neuro-ingénierie à l’EPFL) pour appliquer l’apprentissage automatique au problème de compression des données d’image. avec de multiples dimensions comme la couleur, le contraste, etc. Dans leur cas, le but de la compression était de réduire le nombre de pixels d’une image à transmettre à travers une prothèse rétinienne.
« Le sous-échantillonnage des implants rétiniens se fait actuellement par moyenne de pixels, ce que fait essentiellement un logiciel graphique lorsque vous souhaitez réduire la taille d’un fichier. En fin de compte, il s’agit d’un processus mathématique ; aucun apprentissage n’est requis », explique Ghezzi.
« Nous avons constaté que l’utilisation d’une approche basée sur l’apprentissage nous donnait de meilleurs résultats en termes d’encodage sensoriel optimisé. Ce qui était plus surprenant, cependant, c’est qu’un réseau neuronal sans contrainte ait appris à imiter de manière indépendante certains aspects du traitement rétinien.
En particulier, l’approche d’apprentissage automatique des chercheurs, appelée cadre de modèle d’acteur, s’est avérée particulièrement efficace pour trouver un « point idéal » pour le contraste de l’image. Ghezzi utilise Photoshop comme exemple. « Si vous déplacez trop le contrôle du contraste dans un sens ou dans l’autre, l’image devient plus difficile à voir. Notre réseau a développé des filtres pour reproduire certaines des caractéristiques du traitement rétinien.
Les résultats ont été récemment publiés dans Communication naturelle.
Validez les deux in silico Et Ex vivo
Dans le cadre du modèle d’acteur, deux réseaux de neurones fonctionnent de manière complémentaire. La partie modèle ou modèle avancé agit comme un jumeau numérique de la rétine : elle est d’abord entraînée à recevoir une image haute résolution et à produire un code neuronal binaire aussi similaire que possible au code neuronal généré par une rétine biologique. Le réseau d’acteurs est ensuite entraîné à sous-échantillonner une image haute résolution capable d’obtenir du modèle direct un code neuronal aussi proche que possible du code généré par la rétine biologique en réponse à l’image originale.
En utilisant ce cadre, les chercheurs ont testé des images sous-échantillonnées à la fois sur le jumeau numérique de la rétine et sur des rétines de cadavres de souris retirés (explantés) et placés dans un milieu de culture. Les deux expériences ont révélé que l’approche acteur-modèle produisait des images qui provoquaient une réponse neuronale plus similaire à la réponse de l’image originale qu’une image générée par une approche informatique sans apprentissage telle que la moyenne des pixels.
Malgré les défis méthodologiques et éthiques associés à l’utilisation de rétines de souris explantées, Ghezzi affirme que c’était le cas Ex vivo Validation de leur modèle, qui fait de leur étude une véritable innovation dans le domaine.
« Nous ne pouvons pas nous contenter de faire confiance au numérique, n’est-ce pas ? in silico, Modèle. C’est pourquoi nous avons mené ces expériences : pour valider notre approche.
D’autres horizons sensoriels
Étant donné que l’équipe a de l’expérience avec les prothèses rétiniennes, il s’agissait de la première utilisation du cadre Actor-Model pour le codage sensoriel. Cependant, Ghezzi voit le potentiel d’étendre les applications du cadre à l’intérieur et à l’extérieur du domaine de la restauration visuelle. Il ajoute qu’il sera important de déterminer dans quelle mesure le modèle, validé à l’aide de rétines de souris, est applicable aux humains.
« La prochaine étape évidente consiste à comprendre comment compresser une image de manière plus complète au-delà de la réduction des pixels, permettant au cadre de jouer avec plusieurs dimensions visuelles à la fois. Une autre possibilité est de transférer ce modèle rétinien vers des sorties d’autres régions de « Il pourrait même potentiellement être connecté à d’autres appareils tels que des prothèses auditives ou de membres », explique Ghezzi.