Abstract White matter bundle segmentation using diffusion MRI fiber tractography has become the method of choice to identify white matter fiber pathways in vivo in human brains. However, like other analyses of complex data, there is considerable variability in segmentation protocols and techniques. This can result in different reconstructions of the same intended white matter pathways, which directly affects tractography results, quantification, and interpretation. In this study, we aim to evaluate and quantify the variability that arises from different protocols for bundle segmentation. Through an open call to users of fiber tractography, including anatomists, clinicians, and algorithm developers, 42 independent teams were given processed sets of human whole-brain streamlines and asked to segment 14 white matter fascicles on six subjects. In total, we received 57 different bundle segmentation protocols, which enabled detailed volume-based and streamline-based analyses of agreement and disagreement among protocols for each fiber pathway. Results show that even when given the exact same sets of underlying streamlines, the variability across protocols for bundle segmentation is greater than all other sources of variability in the virtual dissection process, including variability within protocols and variability across subjects. In order to foster the use of tractography bundle dissection in routine clinical settings, and as a fundamental analytical tool, future endeavors must aim to resolve and reduce this heterogeneity. Although external validation is needed to verify the anatomical accuracy of bundle dissections, reducing heterogeneity is a step towards reproducible research and may be achieved through the use of standard nomenclature and definitions of white matter bundles and well-chosen constraints and decisions in the dissection process.

Neuroimaging technology has experienced explosive growth and transformed the study of neural mechanisms across health and disease. However, given the diversity of sophisticated tools for handling neuroimaging data, the field faces challenges in method integration (1–3), particularly across multiple modalities and species. Specifically, researchers often have to rely on siloed approaches which limit reproducibility, with idiosyncratic data organization and limited software interoperability. To address these challenges, we have developed Quantitative Neuroimaging Environment & Toolbox (QuNex), a platform for consistent end-to-end processing and analytics. QuNex provides several novel functionalities for neuroimaging analyses, including a “turnkey” command for the reproducible deployment of custom workflows, from onboarding raw data to generating analytic features. The platform enables inter-operable integration of multi-modal, community-developed neuroimaging software through an extension framework with a software development kit (SDK) for seamless integration of community tools. Critically, it supports high-throughput, parallel processing in high-performance compute environments, either locally or in the cloud. Notably, QuNex has successfully processed over 10,000 scans across neuroimaging consortia (4), including multiple clinical datasets. Moreover, QuNex enables integration of human and non-human workflows via a cohesive translational platform. Collectively, this effort stands to significantly impact neuroimaging method integration across acquisition approaches, pipelines, datasets, computational environments, and species. Building on this platform will enable more rapid, scalable, and reproducible impact of neuroimaging technology across health and disease.

Abstract We present a new software package with a library of standardised tractography protocols devised for the robust automated extraction of white matter tracts both in the human and the macaque brain. Using in vivo data from the Human Connectome Project (HCP) and the UK Biobank and ex vivo data for the macaque brain datasets, we obtain white matter atlases, as well as atlases for tract endpoints on the white-grey matter boundary, for both species. We illustrate that our protocols are robust against data quality, generalisable across two species and reflect the known anatomy. We further demonstrate that they capture inter-subject variability by preserving tract lateralisation in humans and tract similarities stemming from twinship in the HCP cohort. Our results demonstrate that the presented toolbox will be useful for generating imaging-derived features in large cohorts, and in facilitating comparative neuroanatomy studies. The software, tractography protocols, and atlases are publicly released through FSL, allowing users to define their own tractography protocols in a standardised manner, further contributing to open science.

Abstract Developmental and evolutionary effects on brain organisation are complex, yet linked, as evidenced by the striking correspondence in cortical expansion changes. However, it is still not possible to study concurrently the ontogeny and phylogeny of cortical areal connections, which is arguably more relevant to brain function than allometric changes. Here, we propose a novel framework that allows the integration of connectivity maps from humans (adults and neonates) and non-human primates (macaques) onto a common space. We use white matter bundles to anchor the definition of the common space and employ the uniqueness of the areal connection patterns to these bundles to probe areal specialisation. This enables us to quantitatively study divergences and similarities in cortical connectivity over both evolutionary and developmental scales. It further allows us to map brain maturation trajectories, including the effect of premature birth, and to translate cortical atlases between diverse brains.

Quantitative comparison of the white matter organization of the human neocortex with that of the chimpanzee and macaque shows a wide distribution of areas with a uniquely human connectivity profile, including the frontal-parietal fiber systems and the temporal visual pathway. Functional decoding of these areas shows their involvement in language, abstract reasoning, and social information processing. Overall, these results counter models that assign primacy to prefrontal cortex for human uniqueness.

Abstract Associations between datasets can be discovered through multivariate methods like Canonical Correlation Analysis (CCA) or Partial Least Squares (PLS). A requisite property for interpretability and generalizability of CCA/PLS solutions is stability of feature patterns driving an association. However, stability of CCA/PLS in high-dimensional datasets is questionable, as found in empirical characterizations. To study these issues in a systematic manner, we developed a generative modeling framework to simulate synthetic datasets, parameterized by dimensionality, variance structure, and association strength. We found that when sample size is relatively small, but comparable to typical studies, CCA/PLS associations are highly unstable and inaccurate; both in their magnitude and importantly in the latent pattern underlying the discovered association. We confirmed these trends across two neuroimaging modalities, functional and diffusion MRI, and in independent datasets, Human Connectome Project (n ≈ 1000) and UK Biobank (n ≈ 20000) and found that only the latter comprised sufficient samples for stable mappings between imaging-derived and behavioral features. We further developed a power calculator to provide sample sizes required for stability and reliability of multivariate analyses for future studies.

Each cortical area has a distinct pattern of anatomical connections within the thalamus, a central subcortical structure composed of functionally and structurally distinct nuclei. Previous studies have suggested that certain cortical areas may have more extensive anatomical connections that target multiple thalamic nuclei, which potentially allows them to modulate distributed information flow. However, there is a lack of quantitative investigations into anatomical connectivity patterns within the thalamus. Consequently, it remains unknown if cortical areas exhibit systematic differences in the extent of their anatomical connections within the thalamus. To address this knowledge gap, we used diffusion magnetic resonance imaging (dMRI) to perform brain-wide probabilistic tractography for 828 healthy adults from the Human Connectome Project. We then developed a framework to quantify the spatial extent of each cortical area9s anatomical connections within the thalamus. Additionally, we leveraged resting-state functional MRI, cortical myelin, and human neural gene expression data to test if the extent of anatomical connections within the thalamus varied along the cortical hierarchy. Our results revealed two distinct cortico-thalamic tractography motifs: 1) a sensorimotor cortical motif characterized by focal thalamic connections targeting posterolateral thalamus, associated with fast, feed-forward information flow; and 2) an associative cortical motif characterized by diffuse thalamic connections targeting anteromedial thalamus, associated with slow, feed-back information flow. These findings were consistent across human subjects and were also observed in macaques, indicating cross-species generalizability. Overall, our study demonstrates that sensorimotor and association cortical areas exhibit differences in the spatial extent of their anatomical connections within the thalamus, which may support functionally-distinct cortico-thalamic information flow.

Abstract Despite the huge potential of magnetic resonance imaging (MRI) in mapping and exploring the brain, MRI measures can often be limited in their consistency, reproducibility and accuracy which subsequently restricts their quantifiability. Nuisance nonbiological factors, such as hardware, software, calibration differences between scanners, and post-processing options can contribute to, or drive trends in, neuroimaging features to an extent that interferes with biological variability. Such lack of consistency, known as lack of harmonisation, across neuroimaging datasets poses a great challenge for our capabilities in quantitative MRI. Here, we build a new resource for comprehensively mapping the extent of the problem and objectively evaluating neuroimaging harmonisation approaches. We use a travelling-heads paradigm consisting of multimodal MRI data of 10 travelling subjects, each scanned at 5 different sites on 6 different 3T scanners from all the 3 major vendors and using 5 neuroimaging modalities, providing more comprehensive coverage than before. We also acquire multiple within-scanner repeats for a subset of subjects, setting baselines for multi-modal scan-rescan variability. Having extracted hundreds of image-derived features, we compare three forms of variability: (i) between-scanner, (ii) within-scanner (within-subject), and (iii) biological (between-subject). We characterise the reliability of features across scanners and use our resource as a testbed to enable new investigations that until now have been relatively unexplored. Specifically, we identify optimal pipeline processing steps that minimise between-scanner variability in extracted features (implicit harmonisation). We also test the performance of post-processing harmonisation tools (explicit harmonisation) and specifically check their efficiency in reducing between-scanner variability against baseline standards provided by our data. Our explorations allow us to come up with good practice suggestions on processing steps and sets of features where results are more consistent, while our publicly-released datasets establish references for future studies in this field.