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.

Resting-state functional connectivity is typically modeled as the correlation structure of whole-brain regional activity. It is studied widely, both to gain insight into the brain’s intrinsic organization but also to develop markers sensitive to changes in an individual’s cognitive, clinical, and developmental state. Despite this, the origins and drivers of functional connectivity, especially at the level of densely sampled individuals, remain elusive. Here, we leverage novel methodology to decompose functional connectivity into its precise framewise contributions. Using two dense sampling datasets, we investigate the origins of individualized functional connectivity, focusing specifically on the role of brain network “events” – short-lived and peaked patterns of high-amplitude cofluctuations. Here, we develop a statistical test to identify events in empirical recordings. We show that the patterns of cofluctuation expressed during events are repeated across multiple scans of the same individual and represent idiosyncratic variants of template patterns that are expressed at the group level. Lastly, we propose a simple model of functional connectivity based on event cofluctuations, demonstrating that group-averaged cofluctuations are suboptimal for explaining participant-specific connectivity. Our work complements recent studies implicating brief instants of high-amplitude cofluctuations as the primary drivers of static, whole-brain functional connectivity. Our work also extends those studies, demonstrating that cofluctuations during events are individualized, positing a dynamic basis for functional connectivity.

Network models of communication, e.g. shortest paths, diffusion, navigation, have become useful tools for studying structure-function relationships in the brain. These models generate estimates of communication efficiency between all pairs of brain regions, which can then be linked to the correlation structure of recorded activity, i.e. functional connectivity (FC). At present, however, communication models have a number of limitations, including difficulty adjudicating between models and the absence of a generic framework for modeling multiple interacting communication policies at the regional level. Here, we present a framework that allows us to incorporate multiple region-specific policies and fit them to empirical estimates of FC. Briefly, we show that many communication policies, including shortest paths and greedy navigation, can be modeled as biased random walks, enabling these policies to be incorporated into the same multi-policy communication model alongside unbiased processes, e.g. diffusion. We show that these multi-policy models outperform existing communication measures while yielding neurobiologically interpretable regional preferences. Further, we show that these models explain the majority of variance in time-varying patterns of FC. Collectively, our framework represents an advance in network-based communication models and establishes a strong link between these patterns and FC. Our findings open up many new avenues for future inquiries and present a flexible framework for modeling anatomically-constrained communication.

Many studies have shown that the human endocrine system modulates brain function, reporting associations between fluctuations in hormone concentrations and both brain activity and connectivity. However, how hormonal fluctuations impact fast changes in brain network structure over short timescales remains unknown. Here, we leverage “edge time series” analysis to investigate the relationship between high-amplitude network states and quotidian variation in sex steroid and gonadotropic hormones in a single individual sampled over the course of two endocrine states, across a natural menstrual cycle and under a hormonal regimen. We find that the frequency of high-amplitude network states are associated with follicle-stimulating and luteinizing hormone, but not the sex hormones estradiol and progesterone. Nevertheless, we show that scan-to-scan variation in the co-fluctuation patterns expressed during network states are robustly linked with the concentration of all four hormones, positing a network-level target of hormonal control. We conclude by speculating on the role of hormones in shaping ongoing brain dynamics.

The relationship between structural and functional connectivity in the brain is a key question in systems neuroscience. Modern accounts assume a single global structure-function relationship that persists over time. Here we show that structure-function coupling is dynamic and regionally heterogeneous. We use a temporal unwrapping procedure to identify moment-to-moment co-fluctuations in neural activity, and reconstruct time-resolved structure-function coupling patterns. We find that patterns of dynamic structure-function coupling are highly organized across the cortex. These patterns reflect cortical hierarchies, with stable coupling in unimodal and transmodal cortex, and dynamic coupling in intermediate regions, particularly in insular cortex (salience network) and frontal eye fields (dorsal attention network). Finally, we show that the variability of structure-function coupling is shaped by the distribution of connection lengths. The time-varying coupling of structural and functional connectivity points towards an informative feature of the brain that may reflect how cognitive functions are flexibly deployed and implemented.

The human connectome is the set of physical pathways linking brain regions to one another. Empirical and in silico studies have demonstrated that the structure of this network helps shape patterns of functional coupling between brain regions. To better understand this link between structure and function, a growing number of studies have derived geometric, dynamic, and topological predictors from structural connectivity in order to make predictions about correlation structure. These studies, however, have typically focused on global (whole-brain) predictions using a restricted set of predictors. Here, we investigate a wide range of predictors and shift focus onto predictions of local (regional) patterns of functional coupling. We show that, globally, no individual predictor performs well and, that even the best predictors are largely driven by their ability to predict functional coupling between directly connected regions. We then use the same predictors to make predictions of local coupling and find marked improvement. Notably, the most predictable local FC is linked to sensorimotor regions, which are best predicted by measures based on topological similarity, mean first passage times of random walkers, and the brain’s embedding in Euclidean space. We then show that by combining the predictive power of more than one predictor using multi-linear models, we can further improve local predictions. Finally, we investigate how global and local structure-function coupling differences across the human lifespan. We find that, globally, the magnitude of coupling decreases with biological age, which is paralleled by an increase in the number of multi-step pathways. We also show that, locally, structure-function coupling is preserved in higher order cognitive systems, but preferentially decreases with age in sensorimotor systems. Our results illuminate the heterogeneous landscape of structure-function coupling across the cerebral cortex and help clarify its differences with age.

The interaction between brain regions changes over time, which can be characterized using time-varying functional connectivity (tvFC). The common approach to estimate tvFC uses sliding windows and offers limited temporal resolution. An alternative method is to use the recently proposed edge-centric approach, which enables the tracking of moment-to-moment changes in co-fluctuation patterns between pairs of brain regions. Here, we first examined the dynamic features of edge time series and compared them to those in the sliding window tvFC (sw-tvFC). Then, we used edge time series to compare subjects with autism spectrum disorder (ASD) and healthy controls (CN). Our results indicate that relative to sw-tvFC, edge time series captured rapid and bursty network-level fluctuations that synchronize across subjects during movie-watching. The results from the second part of the study suggested that the magnitude of peak amplitude in the collective co-fluctuations of brain regions (estimated as root sum square (RSS) of edge time series) is similar in CN and ASD. However, the trough-to-trough duration in RSS signal is greater in ASD, compared to CN. Furthermore, an edge-wise comparison of high-amplitude co-fluctuations showed that the within-network edges exhibited greater magnitude fluctuations in CN. Our findings suggest that high-amplitude co-fluctuations captured by edge time series provide details about the disruption of functional brain dynamics that could potentially be used in developing new biomarkers of mental disorders.

Abstract The topology of structural brain networks shapes brain dynamics, including the correlation structure of brain activity (functional connectivity) as estimated from functional neuroimaging data. Empirical studies have shown that functional connectivity fluctuates over time, exhibiting patterns that vary in the spatial arrangement of correlations among segregated functional systems. Recently, an exact decomposition of functional connectivity into frame-wise contributions has revealed fine-scale dynamics that are punctuated by brief and intermittent episodes (events) of high-amplitude co-fluctuations involving large sets of brain regions. Their origin is currently unclear. Here, we demonstrate that similar episodes readily appear in silico using computational simulations of whole-brain dynamics. As in empirical data, simulated events contribute disproportionately to long-time functional connectivity, involve recurrence of patterned co-fluctuations, and can be clustered into distinct families. Importantly, comparison of event-related patterns of co-fluctuations to underlying patterns of structural connectivity reveals that modular organization present in the coupling matrix shape patterns of event-related co-fluctuations. Our work suggests that brief, intermittent events in functional dynamics are partly shaped by modular organization of structural connectivity. Significance Statement Brain regions engage in complex patterns of activation and co-activation over time. Relating these patterns to rest or task-related neural processing is a central challenge in cognitive neuroscience. Recent work has identified brief intermittent bursts of brain-wide signal co-fluctuations, called events, and shown that events drive functional connectivity. The origins of events are still unclear. Here, we address this gap in knowledge by implementing computational models of neural oscillators coupled by anatomical connections derived from maps of the human cerebral cortex. Analysis of the emerging large-scale brain dynamics reveals brief episodes with high system-wide signal amplitudes. Simulated events closely correspond to those seen recently in empirical recordings. Notably, simulated events are significantly aligned with underlying structural modules, thus suggesting an important role of modular network organization.

ABSTRACT Edge time series decompose FC into its framewise contributions. Previous studies have focused on characterizing the properties of high-amplitude frames, including their cluster structure. Less is known about middle- and low-amplitude co-fluctuations. Here, we address those questions directly, using data from two dense-sampling studies: the MyConnectome project and Midnight Scan Club. We develop a hierarchical clustering algorithm to group peak co-fluctuations of all magnitudes into nested and multi-scale clusters based on their pairwise concordance. At a coarse scale, we find evidence of three large clusters that, collectively, engage virtually all canonical brain systems. At finer scales, however, each cluster is dissolved, giving way to increasingly refined patterns of co-fluctuations involving specific sets of brain systems. We also find an increase in global co-fluctuation magnitude with hierarchical scale. Finally, we comment on the amount of data needed to estimate co-fluctuation pattern clusters and implications for brain-behavior studies. Collectively, the findings reported here fill several gaps in current knowledge concerning the heterogeneity and richness of co-fluctuation patterns as estimated with edge time series while providing some practical guidance for future studies.

ABSTRACT A rapidly emerging application of network neuroscience in neuroimaging studies has provided useful tools to understand individual differences in intrinsic brain function by mapping spontaneous brain activity, namely intrinsic functional network neuroscience (ifNN). However, the variability of methodologies applied across the ifNN studies - with respect to node definition, edge construction, and graph measurements-makes it difficult to directly compare findings and also challenging for end users to select the optimal strategies for mapping individual differences in brain networks. Here, we aim to provide a benchmark for best ifNN practices by systematically comparing the measurement reliability of individual differences under different ifNN analytical strategies using the test-retest design of the Human Connectome Project. The results uncovered four essential principles to guide ifNN studies: 1) use a whole brain parcellation to define network nodes, including subcortical and cerebellar regions, 2) construct functional networks using spontaneous brain activity in multiple slow bands, 3) optimize topological economy of networks at individual level, 4) characterise information flow with specific metrics of integration and segregation. We built an interactive online resource of reliability assessments for future ifNN ( ibraindata.com/research/ifNN ). AUTHOR SUMMARY It is an essential mission for neuroscience to understand the individual differences in brain function. Graph or network theory offer novel methods of network neuroscience to address such a challenge. This article documents optimal strategies on the test-retest reliability of measuring individual differences in intrinsic brain networks of spontaneous activity. The analytical pipelines are identified to optimize for highly reliable, individualized network measurements. These pipelines optimize network metrics for high inter-individual variances and low inner-individual variances by defining network nodes with whole-brain parcellations, deriving the connectivity with spontaneous high-frequency slow-band oscillations, constructing brain graphs with topology-based methods for edge filtering, and favoring multi-level or multi-modal metrics. These psychometric findings are critical for translating the functional network neuroscience into clinical or other personalized practices requiring neuroimaging markers.