Abstract Several studies have established specific relationships between White Matter (WM) and behaviour. However, these studies have typically focussed on fractional anisotropy (FA), a neuroimaging metric that is sensitive to multiple tissue properties, making it difficult to identify what biological aspects of WM may drive such relationships. Here, we carry out a pre-registered assessment of WM-behaviour relationships in 50 healthy individuals across multiple behavioural and anatomical domains, and complementing FA with myelin-sensitive quantitative MR modalities (MT, R1, R2*). Surprisingly, we only find support for predicted relationships between FA and behaviour in one of three pre-registered tests. For one behavioural domain, where we failed to detect an FA-behaviour correlation, we instead find evidence for a correlation between behaviour and R1. This hints that multimodal approaches are able to identify a wider range of WM-behaviour relationships than focusing on FA alone. To test whether a common biological substrate such as myelin underlies WM-behaviour relationships, we then ran joint multimodal analyses, combining across all MRI parameters considered. No significant multimodal signatures were found and power analyses suggested that sample sizes of 40 to 200 may be required to detect such joint multimodal effects, depending on the task being considered. These results demonstrate that FA-behaviour relationships from the literature can be replicated, but may not be easily generalisable across domains. Instead, multimodal microstructural imaging may be best placed to detect a wider range of WM-behaviour relationships, as different MRI modalities provide distinct biological sensitivities. Our findings highlight a broad heterogeneity in WM’s relationship with behaviour, suggesting that variable biological effects may be shaping their interaction. Highlights Pre-registered testing of microstructural imaging across modalities (FA, MT, R1, R2*) to test WM-behaviour relationships. Partial support for FA-behaviour relationships hypothesised based on previous literature. Multimodal approaches can help detect WM-behaviour relationships that are not detected with FA alone. Sample sizes of 40 to 200 may be needed to detect myelin-behaviour relationships in joint multimodal analyses. Variable biological effects may be shaping WM-behaviour relationships.

Abstract To estimate microstructure-related parameters from diffusion MRI data, biophysical models make strong, simplifying assumptions about the underlying tissue. The extent to which many of these assumptions are valid remains an open research question. This study was inspired by the disparity between the estimated intra-axonal axial diffusivity from literature and that typically assumed by the Neurite Orientation Dispersion and Density Imaging (NODDI) model ( d ║ = 1.7μm 2 /ms). We first demonstrate how changing the assumed axial diffusivity results in considerably different NODDI parameter estimates. Second, we illustrate the ability to estimate axial diffusivity as a free parameter of the model using high b-value data and an adapted NODDI framework. Using both simulated and in vivo data we investigate the impact of fitting to either real-valued or magnitude data, with Gaussian and Rician noise characteristics respectively, and what happens if we get the noise assumptions wrong in this high b-value and thus low SNR regime. Our results from real-valued human data estimate intra-axonal axial diffusivities of ~ 2 – 2.5μm 2 /ms, in line with current literature. Crucially, our results demonstrate the importance of accounting for both a rectified noise floor and/or a signal offset to avoid biased parameter estimates when dealing with low SNR data.

ABSTRACT Biophysical models that attempt to infer real-world quantities from data usually have many free parameters. This over-parameterisation can result in degeneracies in model inversion and render parameter estimation ill-posed. However, in many applications, we are not interested in quantifying the parameters per se , but rather in identifying changes in parameters between experimental conditions (e.g. patients vs controls). Here we present a Bayesian framework to make inference on changes in the parameters of biophysical models even when model inversion is degenerate, which we refer to as Bayesian EstimatioN of CHange (BENCH). We infer the parameter changes in two steps; First, we train models that can estimate the pattern of change in the measurements given any hypothetical direction of change in the parameters using simulations. Next, for any pair of real data sets, we use these pre-trained models to estimate the probability that an observed difference in the data can be explained by each model of change. BENCH is applicable to any type of data and models and particularly useful for biophysical models with parameter degeneracies, where we can assume the change is sparse. In this paper, we apply the approach in the context of microstructural modelling of diffusion MRI data, where the models are usually over-parameterised and not invertible without injecting strong assumptions. Using simulations, we show that in the context of the standard model of white matter our approach is able to identify changes in microstructural parameters from conventional multi-shell diffusion MRI data. We also apply our approach to a subset of subjects from the UK-Biobank Imaging to identify the dominant standard model parameter change in areas of white matter hyperintensities under the assumption that the standard model holds in white matter hyperintensities.

Abstract The World Health Organization (WHO) promotes physical exercise and a healthy lifestyle as means to improve youth development. However, relationships between physical lifestyle and brain development are not fully understood. Here, we asked whether a brain – physical latent mode of covariation underpins the relationship between physical activity, fitness, and physical health measures with multimodal neuroimaging markers. In 50 12-year old school pupils (26 females), we acquired multimodal whole-brain MRI, characterizing brain structure, microstructure, function, myelin content, and blood perfusion. We also acquired physical variables measuring objective fitness levels, 7-days physical activity, body-mass index, heart rate, and blood pressure. Using canonical correlation analysis we unravel a latent mode of brain – physical covariation, independent of demographics, school, or socioeconomic status. We show that MRI metrics with greater involvement in this mode also showed spatially extended patterns across the brain. Specifically, global patterns of greater grey matter perfusion, volume, cortical surface area, greater white matter extra-neurite density, and resting state networks activity, covaried positively with measures reflecting a physically active phenotype (high fit, low sedentary individuals). Showing that a physically active lifestyle is linked with systems-level brain MRI metrics, these results suggest widespread associations relating to several biological processes. These results support the notion of close brain-body relationships and underline the importance of investigating modifiable lifestyle factors not only for physical health but also for brain health early in adolescence. Significance statement An active lifestyle is key for healthy development. In this work, we answer the following question: How do brain neuroimaging markers relate with young adolescents’ level of physical activity, fitness, and physical health? Combining advanced whole-brain multimodal MRI metrics with computational approaches, we show a robust relationship between physically active lifestyles and spatially extended, multimodal brain imaging derived phenotypes. Suggesting a wider effect on brain neuroimaging metrics than previously thought, this work underlies the importance of studying physical lifestyle, as well as other brain – body relationships in an effort to foster brain health at this crucial stage in development.

Abstract Purpose Myelin has long been the target of neuroimaging research due to its importance in brain development, plasticity, and disease. However, most available techniques can only provide a voxel-averaged estimate of myelin content. In the human brain, white matter fibre pathways connecting different brain areas and carrying different functions often cross each other in the same voxel. A measure that can differentiate the degree of myelination of crossing fibres would provide a more specific marker of myelination. Theory & Methods One MRI signal property sensitive to myelin is the phase accumulation, which to date has also been limited to voxel-averaged myelin estimates. We use this sensitivity by measuring the phase accumulation of the signal remaining after diffusion weighting, which we call DIffusion-Prepared Phase Imaging (DIPPI). Including diffusion weighting before estimating the phase accumulation has two distinct advantages for estimating the degree of myelination: (1) it increases the relative contribution of intra-axonal water, whose phase is related linearly to the amount of myelin surrounding the axon (in particular the log g -ratio) and (2) it gives directional information, which can be used to distinguish between crossing fibres. Results Using simulations and phantom data we argue that other sources of phase accumulation (i.e., movement-induced phase shift during the diffusion gradients, eddy currents, and other sources of susceptibility) can be either corrected for or are sufficiently small to still allow the g -ratio to be reliably estimated. Conclusions This new sequence is capable of providing a g -ratio estimate per fibre population crossing within a voxel.

Diffusion-weighted steady-state free precession (DW-SSFP) is an SNR-efficient diffusion imaging method. The improved SNR and resolution available at ultra-high field has motivated its use at 7T. However, these data tend to have severe B1 inhomogeneity, leading not only to spatially varying SNR, but also to spatially varying diffusivity estimates, confounding comparisons both between and within datasets. This study proposes the acquisition of DW-SSFP data at two-flip angles in combination with explicit modelling of non-Gaussian diffusion to address B1 inhomogeneity at 7T. DW-SSFP datasets were acquired from five fixed whole human post-mortem brains with a pair of flip angles that jointly optimize the diffusion contrast-to-noise across the brain. We compared one and two flip-angle DW-SSFP data using a diffusion tensor model that incorporates the full DW-SSFP Buxton signal model. The two-flip angle data were subsequently fitted using a modified DW-SSFP signal model that incorporates a Gamma distribution of diffusivities. This allowed us to generate tensor maps at a single, SNR-optimal effective b-value yielding more consistent SNR across tissue, in addition to eliminating the B1 dependence on diffusion coefficients and orientation maps. Our proposed approach will allow the use of DW-SSFP at 7T to derive diffusivity estimates that have greater interpretability, both within a single dataset and between experiments.

Synaptic plasticity is required for learning and follows Hebb’s Rule, the com-putational principle underpinning associative learning. In recent years, a complementary type of brain plasticity has been identified in myelinated axons, which make up the majority of brain’s white matter. Like synaptic plasticity, myelin plasticity is required for learning, but it is unclear whether it is Hebbian or whether it follows different rules. Here, we provide evidence that white matter plasticity operates following Hebb’s Rule in humans. Across two experiments, we find that co-stimulating cortical areas to induce Hebbian plasticity leads to relative increases in cortical excitability and associated increases in a myelin marker within the stimulated fiber bundle. We conclude that Hebbian plasticity extends beyond synaptic changes, and can be observed in human white matter fibers.

Abstract Understanding brain structure and function often requires combining data across different modalities and scales to link microscale cellular structures to macroscale features of whole brain organisation. Here we introduce the BigMac dataset, a resource combining in vivo MRI, extensive postmortem MRI and multi-contrast microscopy for multimodal characterisation of a single whole macaque brain. The data spans modalities (MRI and microscopy), tissue states (in vivo and postmortem), and four orders of spatial magnitude, from microscopy images with micrometre or sub-micrometre resolution, to MRI signals on the order of millimetres. Crucially, the MRI and microscopy images are carefully co-registered together to facilitate quantitative multimodal analyses. Here we detail the acquisition, curation, and first release of the data, that together make BigMac a unique, openly-disseminated resource available to researchers worldwide. Further, we demonstrate example analyses and opportunities afforded by the data, including improvement of connectivity estimates from ultra-high angular resolution diffusion MRI, neuroanatomical insight provided by polarised light imaging and myelin-stained histology, and the joint analysis of MRI and microscopy data for reconstruction of the microscopy-inspired connectome. All data and code are made openly available.

1 Abstract Many brain imaging studies aim to measure structural connectivity with diffusion tractography. However, biases in tractography data, particularly near the boundary between white matter and cortical grey matter can limit the accuracy of such studies. When seeding from the white matter, streamlines tend to travel parallel to the convoluted cortical surface, largely avoiding sulcal fundi and terminating preferentially on gyral crowns. When seeding from the cortical grey matter, streamlines generally run near the cortical surface until reaching deep white matter. These so-called “gyral biases” limit the accuracy and effective resolution of cortical structural connectivity profiles estimated by tractography algorithms, and they do not reflect the expected distributions of axonal densities seen in invasive tracer studies or stains of myelinated fibres. We propose an algorithm that concurrently models fibre density and orientation using a divergence-free vector field within gyral blades to encourage an anatomically-justified streamline density distribution along the cortical white/grey-matter boundary while maintaining alignment with the diffusion MRI estimated fibre orientations. Using in vivo data from the Human Connectome Project, we show that this algorithm reduces tractography biases. We compare the structural connectomes to functional connectomes from resting-state fMRI, showing that our model improves cross-modal agreement. Finally, we find that after parcellation the changes in the structural connectome are very minor with slightly improved interhemispheric connections (i.e, more homotopic connectivity) and slightly worse intrahemispheric connections when compared to tracers.

Abstract Dynamic (2D) magnetic resonance spectroscopy is a collection of techniques where acquisitions of spectra are repeated under varying experimental or physiological conditions. Dynamic MRS comprises a rich set of contrasts, including diffusion-weighted, relaxation-weighted, functional, edited, or hyperpolarized spectroscopy, leading to quantitative insights into multiple physiological or microstructural processes. Conventional approaches to dynamic MRS analysis ignore the shared information between spectra, and instead proceed by independently fitting noisy individual spectra before modelling temporal changes in the parameters. Here we propose a universal dynamic MRS toolbox which allows simultaneous fitting of dynamic spectra of arbitrary type. A simple interface allows information to be shared and precisely modelled across spectra to make inferences on both spectral and dynamic processes. We demonstrate and thoroughly evaluate our approach in three types of dynamic MRS techniques. Simulations of functional and edited MRS are used to demonstrate the advantages of dynamic fitting. Analysis of synthetic functional 1H-MRS data shows a marked decrease in parameter uncertainty as predicted by prior work. Analysis with our tool replicates the results of two previously published studies using the original in vivo functional and diffusion-weighted data. Finally, joint spectral fitting with diffusion orientation models is demonstrated in synthetic data. The toolbox is shared as a fully open-source software with comprehensive documentation, example data, and tutorials.