SUMMARY Primary motor cortex (M1) has been thought to form a continuous somatotopic homunculus extending down precentral gyrus from foot to face representations 1,2 . The motor homunculus has remained a textbook pillar of functional neuroanatomy, despite evidence for concentric functional zones 3 and maps of complex actions 4 . Using our highest precision functional magnetic resonance imaging (fMRI) data and methods, we discovered that the classic homunculus is interrupted by regions with sharpy distinct connectivity, structure, and function, alternating with effector-specific (foot, hand, mouth) areas. These inter-effector regions exhibit decreased cortical thickness and strong functional connectivity to each other, and to prefrontal, insular, and subcortical regions of the Cingulo-opercular network (CON), critical for executive action 5 and physiological control 6 , arousal 7 , and processing of errors 8 and pain 9 . This interdigitation of action control-linked and motor effector regions was independently verified in the three largest fMRI datasets. Macaque and pediatric (newborn, infant, child) precision fMRI revealed potential cross-species analogues and developmental precursors of the inter-effector system. An extensive battery of motor and action fMRI tasks documented concentric somatotopies for each effector, separated by the CON-linked inter-effector regions. The inter-effector regions lacked movement specificity and co-activated during action planning (coordination of hands and feet), and axial body movement (e.g., abdomen, eyebrows). These results, together with prior work demonstrating stimulation-evoked complex actions 4 and connectivity to internal organs (e.g., adrenal medulla) 10 , suggest that M1 is punctuated by an integrative system for implementing whole-body action plans. Thus, two parallel systems intertwine in motor cortex to form an integrate-isolate pattern: effector-specific regions (foot, hand, mouth) for isolating fine motor control, and a mind-body interface (MBI) for the integrative whole-organism coordination of goals, physiology, and body movement.

Brain segmentation of infant magnetic resonance (MR) images is vitally important in studying developmental mental health and disease. The infant brain undergoes many changes throughout the first years of postnatal life, making tissue segmentation difficult for most existing algorithms. Here, we introduce a deep neural network BIBSNet (Baby and Infant Brain Segmentation Neural Network), an open-source, community-driven model that relies on data augmentation and a large sample size of manually annotated images to facilitate the production of robust and generalizable brain segmentations.Included in model training and testing were MR brain images on 84 participants with an age range of 0-8 months (median postmenstrual ages of 13.57 months). Using manually annotated real and synthetic segmentation images, the model was trained using a 10-fold cross-validation procedure. Testing occurred on MRI data processed with the DCAN labs infant-ABCD-BIDS processing pipeline using segmentations produced from gold standard manual annotation, joint-label fusion (JLF), and BIBSNet to assess model performance.Using group analyses, results suggest that cortical metrics produced using BIBSNet segmentations outperforms JLF segmentations. Additionally, when analyzing individual differences, BIBSNet segmentations perform even better.BIBSNet segmentation shows marked improvement over JLF segmentations across all age groups analyzed. The BIBSNet model is 600x faster compared to JLF and can be easily included in other processing pipelines.

Abstract Functional neuroimaging is an essential tool for neuroscience research. Pre-processing pipelines produce standardized, minimally pre-processed data to support a range of potential analyses. However, post-processing is not similarly standardized. While several options for post-processing exist, they may not support output from different pre-processing pipelines, may have limited documentation, and may not follow generally accepted data organization standards (e.g., Brain Imaging Data Structure (BIDS)). In response, we present XCP-D: a collaborative effort between PennLINC at the University of Pennsylvania and the DCAN lab at the University of Minnesota. XCP-D uses an open development model on GitHub and incorporates continuous integration testing; it is distributed as a Docker container or Apptainer image. XCP-D generates denoised BOLD images and functional derivatives from resting-state data in either NIfTI or CIFTI files following pre-processing with fMRIPrep, HCP, or ABCD-BIDS pipelines. Even prior to its official release, XCP-D has been downloaded >5,000 times from DockerHub. Together, XCP-D facilitates robust, scalable, and reproducible post-processing of fMRI data.

Abstract Objective To investigate whether parenting and/or neonatal brain volumes mediate the associations between prenatal social disadvantage (PSD) and cognitive/language abilities; and whether these mechanisms vary by level of disadvantage. Study Design Pregnant women were recruited from obstetric clinics in St Louis, Missouri. PSD encompassed access to social (e.g., education) and material (e.g., income-to-needs, health insurance, area deprivation, and nutrition) resources during pregnancy. Neonates underwent brain magnetic resonance imaging. Mother-child dyads (N=202) returned at age 1 for parenting measures and at age 2 for cognition/language assessments (Bayley-III). Generalized additive and mediation models tested hypotheses. Results Greater PSD was nonlinearly associated with poorer cognitive/language scores. The relation between parenting and cognition/language was moderated by PSD, such that supportive and non-supportive parenting behaviors only related to cognition/language in children with low PSD. Further, parenting mediations differed by level of PSD, such that both supportive and non-supportive parenting mediated PSD-cognition/language associations in children with low PSD, but not in children with high PSD. PSD-associated reductions in neonatal subcortical grey matter (β=.19, q =.03), white matter (β=.23, q =.02), and total brain volume (β=.18, q =.03) were associated with lower cognition, but they did not mediate PSD-cognition associations. Conclusions Parenting moderates and mediates associations between PSD and early cognitive and language development, but only in families with lower levels of social disadvantage. These findings, while correlational, suggest that there may be a critical threshold of disadvantage, below which mediating or moderating factors become less effective, highlighting the importance of reducing disadvantage as primary prevention.

Over the past 25 years, neuroimaging has become a ubiquitous tool in basic research and clinical studies of the human brain. However, there are no reference standards against which to anchor measures of individual differences in brain morphology, in contrast to growth charts for traits such as height and weight. Here, we built an interactive online resource (www.brainchart.io) to quantify individual differences in brain structure from any current or future magnetic resonance imaging (MRI) study, against models of expected age-related trends. With the goal of basing these on the largest and most inclusive dataset, we aggregated MRI data spanning 115 days post-conception through 100 postnatal years, totaling 122,123 scans from 100,071 individuals in over 100 studies across 6 continents. When quantified as centile scores relative to the reference models, individual differences show high validity with non-MRI brain growth estimates and high stability across longitudinal assessment. Centile scores helped identify previously unreported brain developmental milestones and demonstrated increased genetic heritability compared to non-centiled MRI phenotypes. Crucially for the study of brain disorders, centile scores provide a standardised and interpretable measure of deviation that reveals new patterns of neuroanatomical differences across neurological and psychiatric disorders emerging during development and ageing. In sum, brain charts for the human lifespan are an essential first step towards robust, standardised quantification of individual variation and for characterizing deviation from age-related trends. Our global collaborative study provides such an anchorpoint for basic neuroimaging research and will facilitate implementation of research-based standards in clinical studies.

The cerebral cortex is organized into distinct but interconnected cortical areas, which can be defined by abrupt differences in patterns of resting state functional connectivity (FC) across the cortical surface. Such parcellations of the cortex have been derived in adults and older infants, but there is no widely used surface parcellation available for the neonatal brain. Here, we first demonstrate that adult- and older infant-derived parcels are a poor fit with neonatal data, emphasizing the need for neonatal-specific parcels. We next derive a set of 283 cortical surface parcels from a sample of n=261 neonates. These parcels have highly homogenous FC patterns and are validated using three external neonatal datasets. The Infomap algorithm is used to assign functional network identities to each parcel, and derived networks are consistent with prior work in neonates. The proposed parcellation may represent neonatal cortical areas and provides a powerful tool for neonatal neuroimaging studies.

During the third trimester of human brain development, the cerebral cortex undergoes dramatic surface expansion and folding. Physical models suggest that relatively rapid growth of the cortical gray matter helps drive this folding, and structural data suggests that growth may vary in both space (by region on the cortical surface) and time. In this study, we propose a new method to estimate local growth from sequential cortical reconstructions. Using anatomically-constrained Multimodal Surface Matching (aMSM), we obtain accurate, physically-guided point correspondence between younger and older cortical reconstructions of the same individual. From each pair of surfaces, we calculate continuous, smooth maps of cortical expansion with unprecedented precision. By considering 30 preterm infants scanned 2-4 times during the period of rapid cortical expansion (28 to 38 weeks postmenstrual age), we observe significant regional differences in growth across the cortical surface that are consistent with patterns of active folding. Furthermore, these growth patterns shift over the course of development, with non-injured subjects following a highly consistent trajectory. This information provides a detailed picture of dynamic changes in cortical growth, connecting what is known about patterns of development at the microscopic (cellular) and macroscopic (folding) scales. Since our method provides specific growth maps for individual brains, we are also able to detect alterations due to injury. This fully-automated surface analysis, based on tools freely available to the brain mapping community, may also serve as a useful approach for future studies of abnormal growth due to genetic disorders, injury, or other environmental variables.

Abstract Imaging the infant brain with MRI has improved our understanding of early stages of neurodevelopment. However, head motion during MRI acquisition is detrimental to both functional and structural MRI scan quality. Though infants are commonly scanned while asleep, they commonly exhibit motion during scanning, causing data loss. Our group has shown that providing MRI technicians with real-time motion estimates via Framewise Integrated Real-Time MRI Monitoring (FIRMM) software helps obtain high-quality, low motion fMRI data. By estimating head motion in real time and displaying motion metrics to the MR technician during an fMRI scan, FIRMM can improve scanning efficiency. Hence, we compared average framewise displacement (FD), a proxy for head motion, and the amount of usable fMRI data (FD ≤ 0.2mm) in infants scanned with (n = 407) and without FIRMM (n = 295). Using a mixed-effects model, we found that the addition of FIRMM to current state-of-the-art infant scanning protocols significantly increased the amount of usable fMRI data acquired per infant, demonstrating its value for research and clinical infant neuroimaging.