Abstract The Adolescent Brain Cognitive Development Study (ABCD), a 10 year longitudinal neuroimaging study of the largest population based and demographically distributed cohort of 9-10 year olds (N=11,877), was designed to overcome reproducibility limitations of prior child mental health studies. Besides the fantastic wealth of research opportunities, the extremely large size of the ABCD data set also creates enormous data storage, processing, and analysis challenges for researchers. To ensure data privacy and safety, researchers are not currently able to share neuroimaging data derivatives through the central repository at the National Data Archive (NDA). However, sharing derived data amongst researchers laterally can powerfully accelerate scientific progress, to ensure the maximum public benefit is derived from the ABCD study. To simultaneously promote collaboration and data safety, we developed the ABCD-BIDS Community Collection (ABCC), which includes both curated processed data and software utilities for further analyses. The ABCC also enables researchers to upload their own custom-processed versions of ABCD data and derivatives for sharing with the research community. This NeuroResource is meant to serve as the companion guide for the ABCC. In section we describe the ABCC. Section II highlights ABCC utilities that help researchers access, share, and analyze ABCD data, while section III provides two exemplar reproducibility analyses using ABCC utilities. We hope that adoption of the ABCC’s data-safe, open-science framework will boost access and reproducibility, thus facilitating progress in child and adolescent mental health research.

ABSTRACT Diffusion-weighted magnetic resonance imaging (dMRI) has become the primary method for non-invasively studying the organization of white matter in the human brain. While many dMRI acquisition sequences have been developed, they all sample q-space in order to characterize water diffusion. Numerous software platforms have been developed for processing dMRI data, but most work on only a subset of sampling schemes or implement only parts of the processing workflow. Reproducible research and comparisons across dMRI methods are hindered by incompatible software, diverse file formats, and inconsistent naming conventions. Here we introduce QSIPrep, an integrative software platform for the processing of diffusion images that is compatible with nearly all dMRI sampling schemes. Drawing upon a diverse set of software suites to capitalize upon their complementary strengths, QSIPrep automatically applies best practices for dMRI preprocessing, including denoising, distortion correction, head motion correction, coregistration, and spatial normalization. Throughout, QSIPrep provides both visual and quantitative measures of data quality as well as “glass-box” methods reporting. Taken together, these features facilitate easy implementation of best practices for processing of diffusion images while simultaneously ensuring reproducibility.

ABSTRACT Arterial spin labeled (ASL) magnetic resonance imaging (MRI) is the primary method for non-invasively measuring regional brain perfusion in humans. We introduce ASLPrep, a suite of software pipelines that ensure the reproducible and generalizable processing of ASL MRI data.

ABSTRACT Correcting head motion artifacts in diffusion-weighted MRI (dMRI) scans is particularly challenging due to the dramatic changes in image contrast at different gradient strengths and directions. Head motion correction is typically performed using a Gaussian Process model implemented in FSL’s Eddy. Recently, the 3dSHORE-based SHORELine method was introduced to correct any dMRI sequence that has more than one shell. Here we perform a comprehensive evaluation of both methods on realistic simulations of a software fiber phantom that provides known ground-truth head motion. We demonstrate that both methods perform remarkably well, but that performance can be impacted by sampling scheme, the pervasiveness of head motion, and the denoising strategy applied before head motion correction. Our study also provides an open and fully-reproducible workflow that could be used to accelerate evaluation studies of other dMRI processing methods in the future. HIGHLIGHTS Both Eddy and SHORELine head motion correction methods performed quite well on a large variety of simulated data Denoising with MP-PCA can improve head motion correction performance when Eddy is used SHORELine effectively corrects motion in non-shelled acquisitions

Abstract We created resources to facilitate research on the role of human brain microstructure in the development of mental health disorders, based on openly-available diffusion MRI (dMRI) data from the Healthy Brain Network (HBN) study. First, we curated the HBN dMRI data (N=2747) into the Brain Imaging Data Structure and preprocessed it according to best-practices, including denoising and correcting for motion effects, susceptibility-related distortions, and eddy currents. Preprocessed, analysis-ready data was made openly available. Data quality plays a key role in the analysis of dMRI, and we provide automated quality control (QC) scores for every scan, as part of the data release. To scale QC to this large dataset, we trained a neural network through the combination of a small data subset scored by experts and a larger set scored by community scientists. The network performs QC highly concordant with that of experts on a held out set (ROC-AUC = 0.947). A further analysis of the neural network demonstrates that it relies on image features with relevance to QC. Altogether, this work both delivers a resource for transdiagnostic research in brain connectivity and pediatric mental health and serves as a novel tool for automated QC of large datasets.

ABSTRACT Recent work has demonstrated that the relationship between structural and functional connectivity varies regionally across the human brain, with reduced coupling emerging along the sensory-association cortical hierarchy. The biological underpinnings driving this expression, however, remain largely unknown. Here, we postulated that intracortical myelination and excitation-inhibition (EI) balance mediate the heterogeneous expression of structure-function coupling (SFC) and its temporal variance across the cortical hierarchy. We employed atlas-and voxel-based connectivity approaches to analyze neuroimaging data acquired from two groups of healthy participants. Our findings were consistent across processing pipelines: 1) increased myelination and lower EI-ratio associated with more rigid SFC and restricted moment-to-moment SFC fluctuations; 2) a gradual shift from EI-ratio to myelination as the principal predictor of SFC occurred when traversing from granular to agranular cortical regions. Collectively, our work delivers a novel framework to conceptualize structure-function relationships in the human brain, paving the way for an improved understanding of how demyelination and/or EI-imbalances induce reorganization in brain disorders.

ABSTRACT The Brain Imaging Data Structure (BIDS) is a specification accompanied by a software ecosystem that was designed to create reproducible and automated workflows for processing neuroimaging data. BIDS Apps flexibly build workflows based on the metadata detected in a dataset. However, even BIDS valid metadata can include incorrect values or omissions that result in inconsistent processing across sessions. Additionally, in large-scale, heterogeneous neuroimaging datasets, hidden variability in metadata is difficult to detect and classify. To address these challenges, we created a Python-based software package titled “Curation of BIDS” (CuBIDS), which provides an intuitive workflow that helps users validate and manage the curation of their neuroimaging datasets. CuBIDS includes a robust implementation of BIDS validation that scales to large samples and incorporates DataLad––a version control software package for data––to ensure reproducibility and provenance tracking throughout the entire curation process. CuBIDS provides tools to help users perform quality control on their images’ metadata and identify unique combinations of imaging parameters. Users can then execute BIDS Apps on a subset of participants that represent the full range of acquisition parameters that are present, accelerating pipeline testing on large datasets. HIGHLIGHTS CuBIDS is a workflow and software package for curating BIDS data. CuBIDS summarizes the heterogeneity in a BIDS dataset. CuBIDS prepares BIDS data for successful preprocessing pipeline runs. CuBIDS helps users perform metadata-based quality control.

ABSTRACT Diffusion MRI is the dominant non-invasive imaging method used to characterize white matter organization in health and disease. Increasingly, fiber-specific properties within a voxel are analyzed using fixels. While tools for conducting statistical analyses of fixel data exist, currently available tools are memory intensive, difficult to scale to large datasets, and support only a limited number of statistical models. Here we introduce ModelArray, a memory-efficient R package for mass-univariate statistical analysis of fixel data. With only several lines of code, even large fixel datasets can be analyzed using a standard personal computer. At present, ModelArray supports linear models as well as generalized additive models (GAMs), which are particularly useful for studying nonlinear effects in lifespan data. Detailed memory profiling revealed that ModelArray required only limited memory even for large datasets. As an example, we applied ModelArray to fixel data derived from diffusion images acquired as part of the Philadelphia Neurodevelopmental Cohort (n=938). ModelArray required far less memory than existing tools and revealed anticipated nonlinear developmental effects in white matter. Moving forward, ModelArray is supported by an open-source software development model that can incorporate additional statistical models and other imaging data types. Taken together, ModelArray provides an efficient and flexible platform for statistical analysis of fixel data. HIGHLIGHTS ModelArray is an R package for mass-univariate statistical analysis of fixel data ModelArray is memory-efficient even for large-scale datasets ModelArray supports linear and nonlinear modeling and is extensible to more models ModelArray facilitates easy statistical analysis of large-scale fixel data Graphical abstract

ABSTRACT The recent and growing focus on reproducibility in neuroimaging studies has led many major academic centers to use cloud-based imaging databases for storing, analyzing, and sharing complex imaging data. Flywheel is one such database platform that offers easily accessible, large-scale data management, along with a framework for reproducible analyses through containerized pipelines. The Brain Imaging Data Structure (BIDS) is a data storage specification for neuroimaging data, but curating neuroimaging data into BIDS can be a challenging and time-consuming task. In particular, standard solutions for BIDS curation are not designed for use on cloud-based systems such as Flywheel. To address these challenges, we developed “FlywheelTools”, a software toolbox for reproducible data curation and manipulation on Flywheel. FlywheelTools includes two elements: fw-heudiconv , for heuristic-driven curation of data into BIDS, and flaudit , which audits and inventories projects on Flywheel. Together, these tools accelerate reproducible neuroscience research on the widely used Flywheel platform.

Abstract Deficits in motivation and pleasure are common across many psychiatric disorders, and manifest as symptoms of amotivation and anhedonia, which are prominent features of both mood and psychotic disorders. Here we provide evidence for a shared transdiagnostic mechanism underlying impairments in motivation and pleasure across major depression, bipolar disorder, and schizophrenia. We found that value signals in the ventromedial prefrontal cortex (vmPFC) during decision-making were dampened in individuals with greater motivational and hedonic deficits, regardless of the primary diagnosis. This relationship remained significant while controlling for diagnosis-specific symptoms of mood and psychosis, such as depression as well as positive and negative symptoms. Our results demonstrate that dysfunction in the vmPFC during value-based decision-making is specifically linked to motivational and hedonic impairments across various psychiatric conditions. These findings provide a quantitative neural target for the potential development of novel treatments for amotivation and anhedonia.