Abstract Persistent sensorimotor impairments after stroke can negatively impact quality of life. The hippocampus is involved in sensorimotor behavior but has not been widely studied within the context of post-stroke upper limb sensorimotor impairment. The hippocampus is vulnerable to secondary degeneration after stroke, and damage to this region could further weaken sensorimotor circuits, leading to greater chronic sensorimotor impairment. The purpose of this study was to investigate the cross-sectional association between non-lesioned hippocampal volume and upper limb sensorimotor impairment in people with chronic stroke. We hypothesized that smaller ipsilesional hippocampal volumes would be associated with worse upper-limb sensorimotor impairment. Cross-sectional T1-weighted brain MRIs were pooled from 357 participants at the chronic stage after stroke (>180 days post-stroke) compiled from 18 research cohorts worldwide in the ENIGMA Stroke Recovery Working Group (age: median = 61 years, interquartile range = 18, range = 23-93; 135 women and 222 men). Sensorimotor impairment was estimated from the Fugl-Meyer Assessment of Upper Extremity scores. Robust mixed-effects linear models were used to test associations between post-stroke sensorimotor impairment and hippocampal volumes (ipsilesional and contralesional separately; Bonferroni-corrected, p - value < 0.025), controlling for age, sex, lesion volume, and lesioned hemisphere. We also performed an exploratory analysis to test whether sex differences influence the relationship between sensorimotor impairment and hippocampal volume. Upper limb sensorimotor impairment was positively associated with ipsilesional ( p = 0.005; d = 0.33) but not contralesional ( p = 0.96; d = 0.01) hippocampal volume, such that impairment was worse for participants with smaller ipsilesional hippocampal volume. This association remained significant independent of lesion volume or other covariates ( p = 0.001; d = 0.36). Evidence indicates an interaction between sensorimotor impairment and sex for both ipsilesional ( p = 0.008; d = −0.29) and contralesional ( p = 0.006; d = −0.30) hippocampal volumes, whereby women showed progressively worsening sensorimotor impairment with smaller hippocampal volumes compared to men. The present study has identified a novel association between chronic post-stroke sensorimotor impairment and ipsilesional, but not contralesional, hippocampal volume. This finding was not due to lesion size and may be stronger in women. We also provide supporting evidence that smaller hippocampal volume post-stroke is likely a consequence of ipsilesional damage, which could provide a link between vascular disease and other disorders, such as dementia.

As very large studies of complex neuroimaging phenotypes become more common, human quality assessment of MRI-derived data remains one of the last major bottlenecks. Few attempts have so far been made to address this issue with machine learning. In this work, we optimize predictive models of quality for meshes representing deep brain structure shapes. We use standard vertex-wise and global shape features computed homologously across 19 cohorts and over 7500 human-rated subjects, training kernelized Support Vector Machine and Gradient Boosted Decision Trees classifiers to detect meshes of failing quality. Our models generalize across datasets and diseases, reducing human workload by 30-70%, or equivalently hundreds of human rater hours for datasets of comparable size, with recall rates approaching inter-rater reliability.

Chronic motor impairments are a leading cause of disability after stroke. Previous studies have predicted motor outcomes based on the degree of damage to predefined structures in the motor system, such as the corticospinal tract. However, such theory-based approaches may not take full advantage of the information contained in clinical imaging data. The present study uses data-driven approaches to predict chronic motor outcomes after stroke and compares the accuracy of these predictions to previously-identified theory-based biomarkers. Using a cross-validation framework, regression models were trained using lesion masks and motor outcomes data from 789 stroke patients (293 female/496 male) from the ENIGMA Stroke Recovery Working Group (age 64.9±18.0 years; time since stroke 12.2±0.2 months; normalised motor score 0.7±0.5 (range [0,1]). The out-of-sample prediction accuracy of two theory-based biomarkers was assessed: lesion load of the corticospinal tract, and lesion load of multiple descending motor tracts. These theory-based prediction accuracies were compared to the prediction accuracy from three data-driven biomarkers: lesion load of lesion-behaviour maps, lesion load of structural networks associated with lesion-behaviour maps, and measures of regional structural disconnection. In general, data-driven biomarkers had better prediction accuracy - as measured by higher explained variance in chronic motor outcomes - than theory-based biomarkers. Data-driven models of regional structural disconnection performed the best of all models tested (R2 = 0.210, p < 0.001), performing significantly better than predictions using the theory-based biomarkers of lesion load of the corticospinal tract (R2 = 0.132, p< 0.001) and of multiple descending motor tracts (R2 = 0.180, p < 0.001). They also performed slightly, but significantly, better than other data-driven biomarkers including lesion load of lesion-behaviour maps (R2 =0.200, p < 0.001) and lesion load of structural networks associated with lesion-behaviour maps (R2 =0.167, p < 0.001). Ensemble models - combining basic demographic variables like age, sex, and time since stroke - improved prediction accuracy for theory-based and data-driven biomarkers. Finally, combining both theory-based and data-driven biomarkers with demographic variables improved predictions, and the best ensemble model achieved R2 = 0.241, p < 0.001. Overall, these results demonstrate that models that predict chronic motor outcomes using data-driven features, particularly when lesion data is represented in terms of structural disconnection, perform better than models that predict chronic motor outcomes using theory-based features from the motor system. However, combining both theory-based and data-driven models provides the best predictions.

Abstract Schizophrenia is a multifaceted disorder associated with structural brain heterogeneity. Recent research underscored that profound understanding of structural brain heterogeneity is relevant to identify illness subtypes as well as informative biomarkers. However, our understanding of structural heterogeneity in schizophrenia is still limited. This comprehensive meta-analysis therefore investigated and compared the variability of multimodal structural brain measures for white and gray matter in individuals with schizophrenia and healthy controls. Using the ENIGMA dataset of MRI-based brain measures from 22 sites, we examined variability in cortical thickness, surface area, folding index, subcortical volume and fractional anisotropy, both at regional and global level. At the regional level, we found that schizophrenia patients are distinguished by higher heterogeneity in the frontotemporal network with regard to multimodal structural measures. Multimodal heterogeneity in these regions potentially implies different sub-types that share impaired frontotemporal interaction as a core feature of schizophrenia. At the global level, the Person-Based Similarity Index (PBSI) analysis surprisingly revealed that schizophrenia patients are distinguished by a significantly higher homogeneity of the folding index, implying that certain gyrification attributes represent a uniform aspect of schizophrenia across subtypes. These findings underscore the importance of studying structural brain variability for a more holistic understanding of schizophrenia’s neurobiology, potentially facilitating the identification of illness subtypes and informative biomarkers. These findings could guide future investigations and tailor precision medicine approaches for schizophrenia.

Abstract We present several deep learning models for assessing the morphometric fidelity of deep grey matter region models extracted from brain MRI. We test three different convolutional neural net architectures (VGGNet, ResNet and Inception) over 2D maps of geometric features. Further, we present a novel geometry feature augmentation technique based on parametric spherical mapping. Finally, we present an approach for model decision visualization, allowing human raters to see the areas of subcortical shapes most likely to be deemed of failing quality by the machine. Our training data is comprised of 5200 subjects from the ENIGMA Schizophrenia MRI cohorts, and our test dataset contains 1500 subjects from the ENIGMA Major Depressive Disorder cohorts. Our final models reduce human rater time by 46-70%. ResNet outperforms VGGNet and Inception for all of our predictive tasks.

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 Sensorimotor performance after stroke is strongly related to focal injury measures such as corticospinal tract lesion load. However, the role of global brain health is less clear. Here, we examined the impact of brain age, a measure of neurobiological aging derived from whole brain structural neuroimaging, on sensorimotor outcomes. We hypothesized that stroke lesion damage would result in older brain age, which would in turn be associated with poorer sensorimotor outcomes. We also expected that brain age would mediate the impact of lesion damage on sensorimotor outcomes and that these relationships would be driven by post-stroke secondary atrophy (e.g., strongest in the ipsilesional hemisphere in chronic stroke). We further hypothesized that structural brain resilience, which we define in the context of stroke as the brain’s ability to maintain its global integrity despite focal lesion damage, would differentiate people with better versus worse outcomes. We analyzed cross-sectional high-resolution brain MRI and outcomes data from 963 people with stroke from 38 cohorts worldwide using robust linear mixed-effects regressions to examine the relationship between sensorimotor behavior, lesion damage, and brain age. We used a mediation analysis to examine whether brain age mediates the impact of lesion damage on stroke outcomes and if associations are driven by ipsilesional measures in chronic (≥180 days) stroke. We assessed the impact of brain resilience on sensorimotor outcome using logistic regression with propensity score matching on lesion damage. Stroke lesion damage was associated with older brain age, which in turn was associated with poorer sensorimotor outcomes. Brain age mediated the impact of corticospinal tract lesion load on sensorimotor outcomes most strongly in the ipsilesional hemisphere in chronic stroke. Greater brain resilience, as indexed by younger brain age, explained why people have better versus worse sensorimotor outcomes when lesion damage was fixed. We present novel evidence that global brain health is associated with superior post-stroke sensorimotor outcomes and modifies the impact of focal damage. This relationship appears to be due to post-stroke secondary degeneration. Brain resilience provides insight into why some people have better outcomes after stroke, despite similar amounts of focal injury. Inclusion of imaging-based assessments of global brain health may improve prediction of post-stroke sensorimotor outcomes compared to focal injury measures alone. This investigation is important because it introduces the potential to apply novel therapeutic interventions to prevent or slow brain aging from other fields (e.g., Alzheimer’s disease) to stroke.