Abstract Alterations in regional subcortical brain volumes have been widely investigated as part of the efforts of an international consortium, ENIGMA, to determine reliable structural brain signatures for Major Depressive Disorder (MDD). Given that subcortical structures are comprised of distinct subfields, we sought to build significantly from prior work to precisely map localized MDD-related differences in subcortical regions using shape analysis. In this meta-analysis of subcortical shape from the ENIGMA-MDD working group, we compared 1,781 patients with MDD and 2,953 healthy controls (CTL) on individual measures of shape metrics (thickness and surface area) on the surface of seven bilateral subcortical structures: nucleus accumbens, amygdala, caudate, hippocampus, pallidum, putamen, and thalamus. Harmonized data processing and statistical analyses were conducted locally at each site, and findings were aggregated by meta-analysis. Relative to CTL, patients with MDD had lower surface area in the subiculum of the hippocampus, the basolateral amygdala, and the nucleus accumbens shell. Relative to CTL, patients with adolescent-onset MDD (≤ 21 years) had lower thickness and surface area of the subiculum of the hippocampus and the basolateral amygdala. Relative to first-episode MDD, recurrent MDD patients had lower thickness and surface area in the CA1 of the hippocampus and the basolateral amygdala. Our results suggest that previously reported MDD-associated volumetric differences may be localized to specific subfields of these structures that have been shown to be sensitive to the effects of stress, with important implications for mapping treatments to patients based on specific neural targets and key clinical features.

Abstract Large data initiatives and high-powered brain imaging analyses require the pooling of MR images acquired across multiple scanners, often using different protocols. Prospective cross-site harmonization often involves the use of a phantom or traveling subjects. However, as more datasets are becoming publicly available, there is a growing need for retrospective harmonization, pooling data from sites not originally coordinated together. Several retrospective harmonization techniques have shown promise in removing cross-site image variation. However, most unsupervised methods cannot distinguish between image-acquisition based variability and cross-site population variability, so they require that datasets contain subjects or patient groups with similar clinical or demographic information. To overcome this limitation, we consider cross-site MRI image harmonization as a style transfer problem rather than a domain transfer problem. Using a fully unsupervised deep-learning framework based on a generative adversarial network (GAN), we show that MR images can be harmonized by inserting the style information encoded from a reference image directly, without knowing their site/scanner labels a priori . We trained our model using data from five large-scale multi-site datasets with varied demographics. Results demonstrated that our styleencoding model can harmonize MR images, and match intensity profiles, successfully, without relying on traveling subjects. This model also avoids the need to control for clinical, diagnostic, or demographic information. Moreover, we further demonstrated that if we included diverse enough images into the training set, our method successfully harmonized MR images collected from unseen scanners and protocols, suggesting a promising novel tool for ongoing collaborative studies.

ABSTRACT Objective Some studies have suggested alterations of structural brain asymmetry in attention-deficit/hyperactivity disorder (ADHD), but findings have been contradictory and based on small samples. Here we performed the largest-ever analysis of brain left-right asymmetry in ADHD, using 39 datasets of the ENIGMA consortium. Methods We analyzed asymmetry of subcortical and cerebral cortical structures in up to 1,978 people with ADHD and unaffected 1,917 controls. Asymmetry Indexes (AIs) were calculated per participant for each bilaterally paired measure, and linear mixed effects modelling was applied separately in children, adolescents, adults, and the total sample, to test exhaustively for potential associations of ADHD with structural brain asymmetries. Results There was no evidence for altered caudate nucleus asymmetry in ADHD, in contrast to prior literature. In children, there was less rightward asymmetry of the total hemispheric surface area compared to controls ( t =2.4, P =0.019). Lower rightward asymmetry of medial orbitofrontal cortex surface area in ADHD ( t =2.4, P =0.007) was similar to a recent finding for autism spectrum disorder. There were also some differences in cortical thickness asymmetry across age groups. In adults with ADHD, globus pallidus asymmetry was altered compared to those without ADHD. However, all effects were small (Cohen’s d from −0.18 to 0.18) and would not survive study-wide correction for multiple testing. Conclusion Prior studies of altered structural brain asymmetry in ADHD were likely underpowered to detect the small effects reported here. Altered structural asymmetry is unlikely to provide a useful biomarker for ADHD, but may provide neurobiological insights into the trait.

Abstract The structure of the brain’s cortical folds varies considerably in human populations. Specific patterns of cortical variation arise with development and aging, and cortical traits are partially influenced by genetic factors. The degree to which genetic factors affect cortical folding patterning remains unknown, yet may be estimated with large-scale in-vivo brain MRI. Using multiple MRI datasets from around the world, we estimated the reliability and heritability of sulcal morphometric characteristics including length, depth, width, and surface area, for 61 sulci per hemisphere of the human brain. Reliability was assessed across four distinct test-retest datasets. We meta-analyzed the heritability across three independent family-based cohorts (N > 3,000), and one cohort of largely unrelated individuals (N~9,000) to examine the robustness of our findings. Reliability was high (interquartile range for ICC: 0.65−0.85) for sulcal metrics. Most sulcal measures were moderately to highly heritable (heritability estimates = 0.3−0.7). These genetic influences vary regionally, with the earlier forming sulci having higher heritability estimates. The central sulcus, the subcallosal and the collateral fissure were the most highly heritable regions. For some frontal and temporal sulci, left and right genetic influences did not completely overlap, suggesting some lateralization of genetic effects on the cortex.

Abstract A comprehensive characterization of the brain’s white matter is critical for improving our understanding of healthy and diseased aging. Here we used diffusion-weighted magnetic resonance imaging (dMRI) to estimate age and sex effects on white matter microstructure in a cross-sectional sample of 15,628 adults aged 45-80 years old (47.6% male, 52.4% female). Microstructure was assessed using the following four models: a conventional single-shell model, diffusion tensor imaging (DTI); a more advanced single-shell model, the tensor distribution function (TDF); an advanced multi-shell model, neurite orientation dispersion and density imaging (NODDI); and another advanced multi-shell model, mean apparent propagator MRI (MAPMRI). Age was modeled using a data-driven statistical approach, and normative centile curves were created to provide sex-stratified white matter reference charts. Participant age and sex substantially impacted many aspects of white matter microstructure across the brain, with the advanced dMRI models TDF and NODDI detecting such effects the most sensitively. These findings and the normative reference curves provide an important foundation for the study of healthy and diseased brain aging.

Abstract The size of the human head is determined by growth in the first years of life, while the rest of the body typically grows until early adulthood 1 . Such complex developmental processes are regulated by various genes and growth pathways 2 . Rare genetic syndromes have revealed genes that affect head size 3 , but the genetic drivers of variation in head size within the general population remain largely unknown. To elucidate biological pathways underlying the growth of the human head, we performed the largest genome-wide association study on human head size to date (N = 79,107). We identified 67 genetic loci, 50 of which are novel, and found that these loci are preferentially associated with head size and mostly independent from height. In subsequent neuroimaging analyses, the majority of genetic variants demonstrated widespread effects on the brain, whereas the effects of 17 variants could be localized to one or two specific brain regions. Through hypothesis-free approaches, we find a strong overlap of head size variants with both cancer pathways and cancer genes. Gene set analyses showed enrichment for different types of cancer and the p53, Wnt and ErbB signalling pathway. Genes overlapping or close to lead variants – such as TP53 , PTEN and APC – were enriched for genes involved in macrocephaly syndromes (up to 37-fold) and high-fidelity cancer genes (up to 9-fold), whereas this enrichment was not seen for human height variants. This indicates that genes regulating early brain and cranial growth are associated with a propensity to neoplasia later in life, irrespective of height. Our results warrant further investigations of the link between head size and cancer, as well as its clinical implications in the general population.

Abstract Automatic neuroimaging segmentation and parcellation tools provide convenient and systematic methods for extracting numerous features from brain MRI scans, and are becoming standard practice for large-scale coordinated studies. One such tool, FreeSurfer, provides an easy-to-use pipeline to extract metrics describing cortical and subcortical morphometry. Over the past two decades, there have been over 25 stable releases of FreeSurfer, and different versions are used across published works. Despite this, the reliability and compatibility of metrics derived from the most recent major version releases have yet to be assessed empirically. Here, we use test-retest data from three public brain MRI datasets to assess within-version reliability and between-version compatibility across 42 regional outputs from three versions of FreeSurfer: the latest, v7.1, and two previous stable releases - v5.3, and v6.0. We find v7.1 was less compatible with older versions for measuring cortical thickness. In particular, the thickness of the cingulate gyrus had low compatibility (intraclass correlation coefficient (ICC) between 0.37 and 0.61) between versions. Temporal and frontal poles, and the medial orbitofrontal surface area metrics, also showed low to moderate compatibility with v7.1. While our work compares all three versions, our sub-comparisons between the older versions (v5.3 and v6.0) replicates earlier findings of low compatibility of pallidum and putamen volumes. Low between-version compatibility was not always indicative of low within-version reliability – all versions showed good to excellent reliability across most regional measures (ICC>0.8). Age associations, quality control metrics, and Dice coefficients in an independent sample of 106 individual scans, processed with all three versions of FreeSurfer, revealed differences in results of downstream statistical analysis. As neuroimaging studies adopt more recently released software, we provide researchers with a reference to highlight the regions and metrics that may yield findings inconsistent with published works using older FreeSurfer software. An interactive viewer for the results is provided at http://data.brainescience.org/Freesurfer_Reliability/

Abstract Dramatic alterations in brain morphology, such as cortical thickness and sulcal folding, occur during the 3rd trimester of gestation which overlaps with the period of premature births. Here, we investigated the ability of the graph convolutional network (GCN) to predict brain age for preterm neonates by accounting for morphometrics measured on the cortical surface and the surface mesh topology as a sparse graph. Our findings demonstrate that GCN-based age prediction of preterm neonates (n=170; mean absolute error [MAE]: 1.06 weeks) outperformed conventional machine learning algorithms and deep learning methods that did not use topological information. We further evaluated how predicted brain age (PBA) emerges as a biologically meaningful index that characterizes the current status of brain development at the time of imaging. We hypothesized that the relative brain age (RBA; PBA minus chronological age) at scan reflects a combination of perinatal clinical factors, including preterm birth, birthweight, perinatal brain injuries, exposure to postnatal steroids, etc. We also hypothesized that RBA of neonatal scans may be associated with brain functional development in the future. To validate these hypotheses, we used general linear models. Furthermore, we established structural equation models (SEM) to determine the structural relationship between preterm birth (as a latent variable of birthweight and birth age), perinatal injuries (as a latent variable of three leading brain injuries), postnatal factors (as a latent variable of six clinical conditions), RBA at scan, and neurodevelopmental scores at 30 months. Our results suggest that low birthweight, chronic lung disease, and exposure to postnatal steroids impair cortical growth, as low RBA was significantly associated with these risks. Furthermore, RBA was associated with cognitive and language scores at 30 months. SEM analysis indicated that RBA mediated the influences of preterm birth and postnatal clinical factors, but not perinatal brain injuries, toward brain functional development at 30 months. The left middle cingulate cortex showed the most accurate prediction of brain age (MAE: 1.19 weeks), followed by left posterior and right middle cingulate cortices (1.21 weeks). These cingulate regions presented faster growth than others. RBAs of several frontal cortices significantly correlated with cognitive abilities at 30 months of age (n=50). Whereas, RBA of left Broca’s area, which is important for language production and comprehension, was associated with language functional scores. Overall, our results demonstrate the potential of the GCN in both predicting brain age and localizing regional growth that relates to postnatal factors and future neurodevelopmental outcome.

Abstract Cortisol is considered the most fundamental stress hormone and is elevated in stress and multiple neuropsychiatric conditions. Prior studies have shown associations of plasma cortisol levels with total cerebral and hippocampal volumes and less consistently with the amygdala. Here, we extend our hypothesis to test associations of plasma cortisol with 1) ventricular 2) hippocampal and 3) amygdalar volumes, in two independent elderly cohorts across a broad cognitive spectrum ranging from normal cognition to Alzheimer’s disease. We demonstrate elevated cortisol to be associated with larger lateral ventricular volumes and smaller hippocampal volumes, predominantly in the right cerebral hemisphere, regardless of age, sex or cognitive status. We noted a non-significant trend of smaller amygdalar volumes with elevated cortisol. Our findings support smaller brain parenchyma volumes seen with elevated cortisol and may encourage effective strategies reducing cortisol and stress. They may also serve as imaging biomarkers for assessing therapeutic benefits of stress and cortisol lowering interventions aiming to halt or reverse the brain volume alterations and theoretically improve cognition and quality of life. Highlights Elevated cortisol associated with larger ventricular volumes and smaller hippocampal volumes Associations are predominantly noted in the right cerebral hemisphere. Similar non-significant trends noted in amygdalar volumes Cortisol and stress reducing strategies may halt brain changes and improve quality of life Imaging biomarkers may help assess efficacy of cortisol-lowering therapeutic interventions

Abstract Changes in estrogen levels in women have been associated with increased risk for age-related neurodegenerative diseases, including Alzheimer’s disease, but the impact of exogenous estrogen exposure on the brain is poorly understood. Oral contraceptives (OC) and hormone therapy (HT) and are both common sources of exogenous estrogen for women in reproductive and post-menopausal years, respectively. Here we examined the association of exogenous sex hormone exposure with the brain’s white matter (WM) aging trajectories in postmenopausal women using and not using OC and HT (HT users: n=3,033, non-users n=5,093; OC users: n=6,964; non-users n=1,156), while also investigating multiple dMRI models. Cross-sectional brain dMRI data was analyzed from the UK Biobank using conventional diffusion tensor imaging (DTI), the tensor distribution function (TDF), and neurite orientation dispersion and density imaging (NODDI). Mean skeletonized diffusivity measures were extracted across the whole brain, and fractional polynomial regressions were used to characterize age-related trajectories for WM microstructural measures. Advanced dMRI model NODDI revealed a steeper WM aging trajectory in HT users relative to non-users, and for those using unopposed estrogens relative to combined estrogens treatment. By contrast, no interaction was detected between OC status and age effects on the diffusivity measures we examined. Exogenous sex hormone exposure may negatively impact WM microstructure aging in postmenopausal women. We also present normative reference curves for white matter microarchitectural parameters in women, to help identify individuals with microstructural anomalies.