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 Age has a major effect on brain volume. However, the normative studies available are constrained by small sample sizes, restricted age coverage and significant methodological variability. These limitations introduce inconsistencies and may obscure or distort the lifespan trajectories of brain morphometry. In response, we capitalised on the resources of the Enhancing Neuroimaging Genetics through Meta-Analysis (ENIGMA) Consortium to examine the age-related morphometric trajectories of the ventricles, the basal ganglia (caudate, putamen, pallidum, and nucleus accumbens), the thalamus, hippocampus and amygdala using magnetic resonance imaging data obtained from 18,605 individuals aged 3-90 years. All subcortical structure volumes were at their maximum early in life; the volume of the basal ganglia showed a gradual monotonic decline thereafter while the volumes of the thalamus, amygdala and the hippocampus remained largely stable (with some degree of decline in thalamus) until the sixth decade of life followed by a steep decline thereafter. The lateral ventricles showed a trajectory of continuous enlargement throughout the lifespan. Significant age-related increase in inter-individual variability was found for the hippocampus and amygdala and the lateral ventricles. These results were robust to potential confounders and could be used to derive risk predictions for the early identification of diverse clinical phenotypes.

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

Background: Normative modeling is a statistical approach to quantify the degree to which a particular individual-level measure deviates from the pattern observed in a normative reference population. When applied to human brain morphometric measures it has the potential to inform about the significance of normative deviations for health and disease. Normative models can be implemented using a variety of algorithms that have not been systematically appraised. Methods: To address this gap, eight algorithms were compared in terms of performance and computational efficiency using brain regional morphometric data from 37,407 healthy individuals (53% female; aged 3-90 years) collated from 87 international MRI datasets. Performance was assessed with the mean absolute error (MAE) and computational efficiency was inferred from central processing unit (CPU) time. The algorithms evaluated were Ordinary Least Squares Regression (OLSR), Bayesian Linear Regression (BLR), Generalized Additive Models for Location, Scale, and Shape (GAMLSS), Parametric Lambda, Mu, Sigma (LMS), Gaussian Process Regression (GPR), Warped Bayesian Linear Regression (WBLG), Hierarchical Bayesian Regression (HBR), and Multivariable Fractional Polynomial Regression (MFPR). Model optimization involved testing nine covariate combinations pertaining to acquisition features, parcellation software versions, and global neuroimaging measures (i.e., total intracranial volume, mean cortical thickness, and mean cortical surface area). Findings: Statistical comparisons across models at PFDR<0.05 indicated that the MFPR-derived sex- and region-specific models with nonlinear polynomials for age and linear effects of global measures had superior predictive accuracy; the range of the MAE of the models of regional subcortical volumes was 70-520 mm3 and the corresponding ranges for regional cortical thickness and regional cortical surface area were 0.09-0.26 mm and 24-560 mm2, respectively. The MFPR-derived models were also computationally more efficient with a CPU time below one second compared to a range of 2 seconds to 60 minutes for the other algorithms. The performance of all sex- and region-specific MFPR models plateaued at sample sizes exceeding 3,000 and showed comparable MAEs across distinct 10-year age-bins covering the human lifespan. Interpretation: These results provide an empirically benchmarked framework for normative modeling of brain morphometry that is useful for interpreting prior literature and supporting future study designs. The model and tools described here are freely available through CentileBrain (https://centilebrain.org/), a user-friendly web platform.

Abstract Delineating age-related cortical trajectories in healthy individuals is critical given the association of cortical thickness with cognition and behaviour. Previous research has shown that deriving robust estimates of age-related brain morphometric changes requires large-scale studies. In response, we conducted a large-scale analysis of cortical thickness in 17,075 individuals aged 3-90 years by pooling data through the Lifespan Working group of the Enhancing Neuroimaging Genetics through Meta-Analysis (ENIGMA) Consortium. We used fractional polynomial (FP) regression to characterize age-related trajectories in cortical thickness, and we computed normalized growth centiles using the parametric Lambda, Mu, and Sigma (LMS) method. Inter-individual variability was estimated using meta-analysis and one-way analysis of variance. Overall, cortical thickness peaked in childhood and had a steep decrease during the first 2-3 decades of life; thereafter, it showed a gradual monotonic decrease which was steeper in men than in women particularly in middle-life. Notable exceptions to this general pattern were entorhinal, temporopolar and anterior cingulate cortices. Inter-individual variability was largest in temporal and frontal regions across the lifespan. Age and its FP combinations explained up to 59% variance in cortical thickness. These results reconcile uncertainties about age-related trajectories of cortical thickness; the centile values provide estimates of normative variance in cortical thickness, and may assist in detecting abnormal deviations in cortical thickness, and associated behavioural, cognitive and clinical outcomes.

Background: Irritability is an important dimension of psychopathology that spans multiple clinical diagnostic categories, yet its relationship to patterns of brain development remains sparsely explored. Here, we examined how trans-diagnostic symptoms of irritability relate to the development of structural brain networks. Methods: All participants (n=144, 87 females) completed structural brain imaging with 3 Tesla MRI at two timepoints (mean age at follow-up: 20.9 years, mean inter-scan interval: 5.1 years). Irritability at follow-up was assessed using the Affective Reactivity Index, and cortical thickness was quantified using Advanced Normalization Tools software. Structural covariance networks were delineated using non-negative matrix factorization, a multivariate analysis technique. Both cross-sectional and longitudinal associations with irritability at follow-up were evaluated using generalized additive models with penalized splines. The False Discovery Rate (q<0.05) was used to correct for multiple comparisons. Results: Cross-sectional analysis of follow-up data revealed that 11 of the 24 covariance networks were associated with irritability, with higher levels of irritability being associated with thinner cortex. Longitudinal analyses further revealed that accelerated cortical thinning within 9 networks was related to irritability at follow-up. Effects were particularly prominent in brain regions implicated in emotion regulation, including the orbitofrontal, lateral temporal, and medial temporal cortex. Conclusions: Collectively, these findings suggest that irritability is associated with widespread cortical thickness reductions and accelerated cortical thinning, particularly within frontal and temporal cortex. Aberrant structural maturation of regions important for emotional regulation may in part underlie symptoms of irritability.

For many traits, males show greater variability than females, with possible implications for understanding sex differences in health and disease. Here, the ENIGMA (Enhancing Neuro Imaging Genetics through Meta-Analysis) Consortium presents the largest-ever mega-analysis of sex differences in variability of brain structure, based on international data spanning nine decades of life. Subcortical volumes, cortical surface area and cortical thickness were assessed in MRI data of 16,683 healthy individuals 1-90 years old (47% females). We observed patterns of greater male than female between-subject variance for all brain measures. This pattern was stable across the lifespan for 50% of the subcortical structures, 70% of the regional area measures, and nearly all regions for thickness. Our findings that these sex differences are present in childhood implicate early life genetic or gene-environment interaction mechanisms. The findings highlight the importance of individual differences within the sexes, that may underpin sex-specific vulnerability to disorders.

Abstract Mechanisms underpinning age-related variations in cortical thickness in the human brain remain poorly understood. We investigated whether inter-regional age-related variations in cortical thinning (in a multicohort neuroimaging dataset from the ENIGMA Lifespan Working Group totalling 14,248 individuals, aged 4-89 years) depended on cell-specific marker gene expression levels. We found differences amidst early-life (<20 years), mid-life (20-60 years), and late-life (>60 years) in the patterns of association between inter-regional profiles of cortical thickness and expression profiles of marker genes for CA1 and S1 pyramidal cells, astrocytes, and microglia. Gene ontology and enrichment analyses indicated that each of the three life-stages was associated with different biological processes and cellular components: synaptic modeling in early life, neurotransmission in mid-life, and neurodegeneration in late-life. These findings provide mechanistic insights into age-related cortical thinning during typical development and aging.

The white matter architecture of the human brain undergoes substantial development throughout childhood and adolescence, allowing for more efficient signaling between brain regions that support executive function. Increasingly, the field understands grey matter development as a spatially and temporally coordinated mechanism that follows hierarchically organized gradients of change. While white matter development also appears asynchronous, previous studies have largely relied on anatomical atlases to characterize white matter tracts, precluding a direct assessment of how white matter structure is spatially and temporally coordinated. Here, we leveraged advances in diffusion modeling and unsupervised machine learning to delineate white matter fiber covariance networks comprised of structurally similar areas of white matter in a cross-sectional sample of 939 youth aged 8-22 years. We then evaluated associations between fiber covariance network structural properties with both age and executive function using generalized additive models. The identified fiber covariance networks aligned with the known architecture of white matter while simultaneously capturing novel spatial patterns of coordinated maturation. Fiber covariance networks showed heterochronous increases in fiber density and cross section that generally followed hierarchically organized temporal patterns of cortical development, with the greatest increases in unimodal sensorimotor networks and the most prolonged increases in superior and anterior transmodal networks. Notably, we found that executive function was associated with structural features of limbic and association networks. Taken together, this study delineates data-driven patterns of white matter network development that support cognition and align with major axes of brain maturation.