Diffusion MRI allows the structural connectivity of the whole brain (the 'tractogram') to be estimated in vivo non-invasively using streamline tractography. The biological accuracy of these data sets is however limited by the inherent biases associated with the reconstruction method. Here we propose a method to retrospectively improve the accuracy of these reconstructions, by selectively filtering out streamlines from the tractogram in a manner that improves the fit between the streamline reconstruction and the underlying diffusion images. This filtering is guided by the results of spherical deconvolution of the diffusion signal, hence the acronym SIFT: spherical-deconvolution informed filtering of tractograms. Data sets processed by this algorithm show a marked reduction in known reconstruction biases, and improved biological plausibility. Emerging methods in diffusion MRI, particularly those that aim to characterise and compare the structural connectivity of the brain, should benefit from the improved accuracy of the reconstruction.

Voxel-based analysis of diffusion MRI data is increasingly popular. However, most white matter voxels contain contributions from multiple fibre populations (often referred to as crossing fibres), and therefore voxel-averaged quantitative measures (e.g. fractional anisotropy) are not fibre-specific and have poor interpretability. Using higher-order diffusion models, parameters related to fibre density can be extracted for individual fibre populations within each voxel (‘fixels’), and recent advances in statistics enable the multi-subject analysis of such data. However, investigating within-voxel microscopic fibre density alone does not account for macroscopic differences in the white matter morphology (e.g. the calibre of a fibre bundle). In this work, we introduce a novel method to investigate the latter, which we call fixel-based morphometry (FBM). To obtain a more complete measure related to the total number of white matter axons, information from both within-voxel microscopic fibre density and macroscopic morphology must be combined. We therefore present the FBM method as an integral piece within a comprehensive fixel-based analysis framework to investigate measures of fibre density, fibre-bundle morphology (cross-section), and a combined measure of fibre density and cross-section. We performed simulations to demonstrate the proposed measures using various transformations of a numerical fibre bundle phantom. Finally, we provide an example of such an analysis by comparing a clinical patient group to a healthy control group, which demonstrates that all three measures provide distinct and complementary information. By capturing information from both sources, the combined fibre density and cross-section measure is likely to be more sensitive to certain pathologies and more directly interpretable.

Although it is well-established that psychiatric symptoms can develop in association with the administration of corticosteroids, the nature of this relationship is poorly understood. We reviewed 14 previously unreported cases of steroid-induced psychiatric syndromes, 79 cases from the literature and 29 studies of the clinical efficacy of steroids in various medical illnesses. Our findings indicate that severe psychiatric reactions occur in approximately 5% of steroid-treated patients, and that a large proportion of these patients have affective and/or psychotic symptoms. Psychiatric disturbances usually occur early in the course of steroid therapy. Female sex, systemic lupus erythematosus and high doses of prednisone may be risk factors for the development of a steroid-induced psychiatric syndrome. Treatment with steroid-taper, neuroleptics or electroconvulsive therapy is generally effective, although tricyclic antidepressants do not appear to be useful therapeutic agents. Most patients recover within several weeks of the onset of symptoms.

The rate of progress in human neurosciences is limited by the inability to easily apply a wide range of analysis methods to the plethora of different datasets acquired in labs around the world. In this work, we introduce a framework for creating, testing, versioning and archiving portable applications for analyzing neuroimaging data organized and described in compliance with the Brain Imaging Data Structure (BIDS). The portability of these applications (BIDS Apps) is achieved by using container technologies that encapsulate all binary and other dependencies in one convenient package. BIDS Apps run on all three major operating systems with no need for complex setup and configuration and thanks to the comprehensiveness of the BIDS standard they require little manual user input. Previous containerized data processing solutions were limited to single user environments and not compatible with most multi-tenant High Performance Computing systems. BIDS Apps overcome this limitation by taking advantage of the Singularity container technology. As a proof of concept, this work is accompanied by 22 ready to use BIDS Apps, packaging a diverse set of commonly used neuroimaging algorithms.

Abstract Structural connectomes are increasingly mapped at high spatial resolutions comprising many hundreds—if not thousands—of network nodes. However, high-resolution connectomes are particularly susceptible to image registration misalignment, tractography artifacts, and noise, all of which can lead to reductions in connectome accuracy and test-retest reliability. We investigate a network analogue of image smoothing to address these key challenges. Connectome Spatial Smoothing (CSS) involves jointly applying a carefully chosen smoothing kernel to the two endpoints of each tractography streamline, yielding a spatially smoothed connectivity matrix. We develop computationally efficient methods to perform CSS using a matrix congruence transformation and evaluate a range of different smoothing kernel choices on CSS performance. We find that smoothing substantially improves the identifiability, sensitivity, and test-retest reliability of high-resolution connectivity maps, though at a cost of increasing storage burden. For atlas-based connectomes (i.e. low-resolution connectivity maps), we show that CSS marginally improves the statistical power to detect associations between connectivity and cognitive performance, particularly for connectomes mapped using probabilistic tractography. CSS was also found to enable more reliable statistical inference compared to connectomes without any smoothing. We provide recommendations on optimal smoothing kernel parameters for connectomes mapped using both deterministic and probabilistic tractography. We conclude that spatial smoothing is particularly important for the reliability of high-resolution connectomes, but can also provide benefits at lower parcellation resolutions. We hope that our work enables computationally efficient integration of spatial smoothing into established structural connectome mapping pipelines. Highlights We establish a network equivalent of image smoothing for structural connectomes. Connectome Spatial Smoothing (CSS) improves connectome test-retest reliability, identifiability and sensitivity. CSS also facilitates reliable inference and improves power to detect statistical associations. Both high-resolution and atlas-based connectomes can benefit from CSS.

Early childhood is an important period for cognitive and brain development, though white matter changes specific to this period remain understudied. Here we utilize a novel analytic approach to quantify and track developmental changes in white matter micro- and macro-structure, calculated from individually oriented fiber-bundle populations, termed “fixels”. Fixel-based analysis and mixed-effects models were used to assess tract-wise changes in fiber density and bundle morphology in 73 girls scanned at baseline (ages 4.09-7.02, mean=5.47, SD=0.81), 6-month (N=7), and one-year follow-up (N=42). For comparison, we also assessed changes in commonly utilized diffusion tensor metrics: fractional anisotropy (FA), and mean, radial and axial diffusivity (MD, RD, AD). Maturational increases in fixel-metrics were seen in most major white matter tracts, with the most rapid increases in the corticospinal tract and slowest or non-significant increases in the genu of the corpus callosum and uncinate fasciculi. As expected, we observed developmental increases in FA and decreases in MD, RD and AD, though percentage changes were smaller relative to fixel-metrics. The majority of tracts showed more substantial morphological than microstructural changes. These findings highlight early childhood as a period of dynamic white matter maturation, characterized by large increases in macroscopic fiber bundle size, mild changes in axonal density, and parallel, albeit less substantial, changes in diffusion tensor metrics.

Head motion is a major confounding factor in neuroimaging studies. While numerous studies have investigated how motion impacts estimates of functional connectivity, the effects of motion on structural connectivity measured using diffusion MRI have not received the same level of attention, despite the fact that, like functional MRI, diffusion MRI relies on elaborate preprocessing pipelines that require multiple choices at each step. Here, we report a comprehensive analysis of how these choices influence motion-related contamination of structural connectivity estimates. Using a healthy adult sample (N = 252), we evaluated 240 different preprocessing pipelines, devised using plausible combinations of different choices related to explicit head motion correction, tractography propagation algorithms, track seeding methods, track termination constraints, quantitative metrics derived for each connectome edge, and parcellations. We found that an approach to motion correction that includes outlier replacement and within-slice volume correction led to a dramatic reduction in cross-subject correlations between head motion and structural connectivity strength, and that motion contamination is more severe when quantifying connectivity strength using mean tract fractional anisotropy rather than streamline count. We also show that the choice of preprocessing strategy can significantly influence subsequent inferences about network organization, with the location of network hubs varying considerably depending on the specific preprocessing steps applied. Our findings indicate that the impact of motion on structural connectivity can be successfully mitigated using recent motion-correction algorithms that include outlier replacement and within-slice motion correction.

ABSTRACT We mapped functional and structural brain networks for more than 40,000 UK Biobank participants. Structural connectivity was estimated with tractography and diffusion MRI. Resting-state functional MRI was used to infer regional functional connectivity. We provide high-quality structural and functional connectomes for multiple parcellation granularities, several alternative measures of interregional connectivity, and a variety of common data pre-processing techniques, yielding more than one million connectomes in total and requiring more than 200,000 hours of compute time. For a single subject, we provide 28 out-of-the-box versions of structural and functional brain networks, allowing users to select, e.g., the parcellation and connectivity measure that best suit their research goals. Furthermore, we provide code and intermediate data for the time-efficient reconstruction of more than 1,000 different versions of a subject’s connectome based on an array of methodological choices. All connectomes are available via the UK Biobank data sharing platform and our connectome mapping pipelines are openly available. In this report, we describe our connectome resource in detail for users, outline key considerations in developing an efficient pipeline to map an unprecedented number of connectomes, and report on the quality control procedures that were completed to ensure connectome reliability and accuracy. We demonstrate that our structural and functional connectivity matrices meet a number of quality control checks and replicate previously established findings in network neuroscience. We envisage that our resource will enable new studies of the human connectome in health, disease and aging at an unprecedented scale.

The rate of progress in human neurosciences is limited by the inability to easily apply a wide range of analysis methods to the plethora of different datasets acquired in labs around the world. In this work, we introduce a framework for creating, testing, versioning and archiving portable applications for analyzing neuroimaging data organized and described in compliance with the Brain Imaging Data Structure (BIDS). The portability of these applications (BIDS Apps) is achieved by using container technologies that encapsulate all binary and other dependencies in one convenient package. BIDS Apps run on all three major operating systems with no need for complex setup and configuration and thanks to the richness of the BIDS standard they require little manual user input. Previous containerized data processing solutions were limited to single user environments and not compatible with most multi-tenant High Performance Computing systems. BIDS Apps overcome this limitation by taking advantage of the Singularity container technology. As a proof of concept, this work is accompanied by 22 ready to use BIDS Apps, packaging a diverse set of commonly used neuroimaging algorithms.

Inter-individual variability in neurobiological and clinical characteristics in mental illness is often overlooked by classical group-mean case-control studies. Studies using normative modelling to infer person-specific deviations of grey matter volume have indicated that group means are not representative of most individuals. The extent to which this variability is present in white matter morphometry, which is integral to brain function, remains unclear.