Door Pesach Benson • 14 oktober 2026
Jeruzalem, 14 oktober 2026 (TPS-IL) — Israëlische onderzoekers hebben een kunstmatige intelligentiemodel ontwikkeld dat beelden reconstrueert uit hersenactiviteit met ongeveer een uur aan hersenscans van een nieuwe deelnemer, terwijl het voorheen onbekende functionele indelingen identificeert in hersengebieden die betrokken zijn bij visuele verwerking.

Het model, Brain-IT genaamd, werd ontwikkeld door een team onder leiding van Prof. Michal Irani van het Weizmann Institute of Science. In tegenstelling tot bestaande systemen die tientallen uren hersenscans vereisen om zich aan te passen aan een nieuwe persoon, identificeert Brain-IT patronen die gedeeld worden tussen verschillende mensen, waardoor het beelden met grotere nauwkeurigheid en minder training kan reconstrueren.

Naast het reconstrueren van beelden, kan de technologie wetenschappers helpen begrijpen hoe de hersenen visuele informatie organiseren. Het kan ook de ontwikkeling van brein-computerinterfaces bevorderen die minder training vereisen, hoewel praktische medische toepassingen nog ver weg zijn.

“Er bestaan tegenwoordig modellen die hersenactiviteit vertalen naar beelden, en ze kunnen zelfs indrukwekkende reconstructies produceren die de semantische betekenis van het beeld redelijk goed behouden,” zei Irani. “Ze maken echter vaak fouten in basale kenmerken zoals compositie en kleur.”

“Het nieuwe model dat we hebben ontwikkeld presteert beter dan hen in het reconstrueren van zowel de inhoud van het beeld als de details ervan,” voegde ze eraan toe. “Bovendien, terwijl elk ander model tientallen uren hersenscans vereist om te leren een nieuwe persoon te ‘lezen’, heeft ons model slechts één uur nodig.”

Het onderzoek werd geselecteerd voor presentatie dit jaar op de International Conference on Learning Representations, een toonaangevende conferentie over kunstmatige intelligentie.

AI Leren het Brein Lezen

Een belangrijk obstakel op dit gebied is het tekort aan trainingsgegevens. Onderzoekers hebben beelden nodig die gekoppeld zijn aan functionele magnetische resonantie beeldvorming (fMRI) scans, die veranderingen in hersenactiviteit meten terwijl mensen naar afbeeldingen kijken. Het verzamelen van dergelijke gegevens vereist dat deelnemers vele uren in MRI-scanners doorbrengen.

De publiek beschikbare Natural Scenes Dataset die in de studie werd gebruikt, bevat ongeveer 73.000 beeld-scanparen van acht deelnemers, die elk duizenden beelden bekeken gedurende 30 tot 40 scanningsessies.

Om deze beperking te overwinnen, ontwikkelde het team twee complementaire systemen: een encoder die hersenactiviteit voorspelt uit een beeld en een decoder die een beeld reconstrueert uit hersenactiviteit.

De encoder genereerde voorspelde hersenscans voor beelden die deelnemers nog nooit in een MRI-scanner hadden bekeken. De decoder probeerde vervolgens die beelden te reconstrueren uit de voorspellingen, waardoor de systemen konden leren van aanvullende voorbeelden zonder nieuwe scans voor elk beeld te vereisen.

De onderzoekers verdeelden de hersenen in ongeveer 40.000 kleine driedimensionale eenheden, voxels genaamd, en vergeleken hun reacties op verschillende beelden tussen individuen. Dit onthulde terugkerende patronen die verband hielden met visuele kenmerken zoals kleur, locatie en herkenbare objecten.

De encoder identificeerde 128 functionele regio’s die gedeeld werden tussen mensen en specifieke rollen leken te spelen in visuele verwerking. Sommige waren al bekend bij wetenschappers, terwijl andere nieuw waren.

Een bevinding betrof het parahippocampale plaatsgebied, een hersengebied dat betrokken is bij de verwerking van plaatsen en scènes. De onderzoekers vonden bewijs van een taakverdeling binnen het gebied, waarbij één deel reageerde op binnenhuisscènes en een ander op buitenhuisscènes.

“De kracht van de encoder ligt in zijn vermogen om regio’s te identificeren die vergelijkbare functies uitvoeren in verschillende hersenen, zelfs wanneer hun anatomische locaties verschillen,” zei Irani.

Op korte termijn kan Brain-IT onderzoekers helpen bij het bestuderen van visuele verwerking, terwijl de behoefte aan kostbare, tijdrovende scans wordt verminderd. Het vermogen om patronen te identificeren die gedeeld worden tussen individuen, kan wetenschappers ook helpen bij het ontwikkelen van brein-computerinterfaces die minder training vereisen om zich aan te passen aan nieuwe gebruikers. Verder onderzoek is nodig.