We present a practical "how-to" guide to help determine whether single-subject fMRI independent components (ICs) characterise structured noise or not. Manual identification of signal and noise after ICA decomposition is required for efficient data denoising: to train supervised algorithms, to check the results of unsupervised ones or to manually clean the data. In this paper we describe the main spatial and temporal features of ICs and provide general guidelines on how to evaluate these. Examples of signal and noise components are provided from a wide range of datasets (3T data, including examples from the UK Biobank and the Human Connectome Project, and 7T data), together with practical guidelines for their identification. Finally, we discuss how the data quality, data type and preprocessing can influence the characteristics of the ICs and present examples of particularly challenging datasets.

Network theory is often based on pairwise relationships between nodes, which is not necessarily realistic for modeling complex systems. Importantly, it does not accurately capture non-pairwise interactions in the human brain, often considered one of the most complex systems. In this work, we develop a multivariate signal processing pipeline to build high-order networks from time series and apply it to resting-state functional magnetic resonance imaging (fMRI) signals to characterize high-order communication between brain regions. We also propose connectivity and signal processing rules for building uniform hypergraphs and argue that each multivariate interdependence metric could define weights in a hypergraph. As a proof of concept, we investigate the most relevant three-point interactions in the human brain by searching for high-order “hubs” in a cohort of 100 individuals from the Human Connectome Project. We find that, for each choice of multivariate interdependence, the high-order hubs are compatible with distinct systems in the brain. Additionally, the high-order functional brain networks exhibit simultaneous integration and segregation patterns qualitatively observable from their high-order hubs. Our work hereby introduces a promising heuristic route for hypergraph representation of brain activity and opens up exciting avenues for further research in high-order network neuroscience and complex systems.

ABSTRACT We investigated the therapeutic effect of head down positioning at −15° (head down tilt; HDT15) on cerebral collateral flow and infarct growth in a rat model of large vessel occlusion (LVO) stroke, using multi-modal MRI. Twenty-eight Wistar rats were randomly assigned to HDT15 or flat position for 60 minutes, starting 30 minutes after occlusion of the middle cerebral artery, followed by reperfusion. The perfusion shift analysis, comparing post- versus pre-treatment voxel-level changes in time-to-peak perfusion maps, showed a significant increase in cerebral perfusion in the HDT15 group (common odds ratio 1.50; 95% CI 1.41-1.60; p < 0.0001), but not in the flat group (common odds ratio 0.97; 95% CI 0.92-1.03; p = 0.3503). Infarct growth at 24 hours was + 31.4% in the flat group (343 versus 250 mm 3 ; 95% CI 2.4 to 165.1; p = 0.0447) and + 15.4% in the HDT15 group (224 versus 192 mm 3 ; 95% CI -26.9 to 85.9; p = 0.2272). Our findings indicate that HDT15 acutely increases cerebral perfusion in LVO acute ischemic stroke and provides a tissue-saving effect before recanalization. Further research is needed to develop HDT15 as an emergency therapy to acutely increase collateral flow in ischemic stroke prior to recanalization therapy.

It has been proposed that metabolic markers of baseline brain oxygenation have a role to play in the early identification of the ischemic penumbra. Streamlined-qBOLD is a magnetic resonance imaging technique that does not require exogenous contrast. It is a refinement of the quantitative BOLD methodology that provides a simplified approach to mapping and quantifying baseline brain oxygenation related parameters (reversible transverse relaxation rate (R2′), deoxygenated blood volume (DBV) and deoxyhaemoglobin concentration ([dHb])) in a clinically relevant manner. Streamlined-qBOLD was applied to an exploratory cohort of acute stroke patients in a serial imaging study. Detailed voxel-level analysis was used to quantify the metabolic profile of ischaemic tissue on presentation and investigate these metrics in relation to tissue outcome. Individual patient examples illustrate the appropriate interpretation of R2′, DBV and [dHb] in acute stroke and demonstrate the ability of this method to deliver regional information related to oxygen metabolism in the ischaemic tissue. Regional analysis confirms that R2′, DBV and [dHb] vary between regions of ischaemia with different tissue outcomes.

Abstract The Human Connectome Project Lifespan studies cover the Development (5-21) and Aging (36-100+) phases of life. Arterial spin labelling (ASL) was included in the imaging protocol, resulting in one of the largest datasets collected to-date of high spatial resolution multiple delay ASL covering 3,000 subjects. The HCP-ASL minimal processing pipeline was developed specifically for this dataset to pre-process the image data and produce perfusion estimates in both volumetric and surface template space, though quality control is not performed. Applied to the whole dataset, the outputs of the pipeline revealed significant and expected differences in perfusion between the Development and Ageing cohorts. Visual inspection of the group average surface maps showed that cortical perfusion often followed cortical areal boundaries, suggesting differential regulation of cerebral perfusion within brain areas at rest. Group average maps of arterial transit time also showed differential transit times in core and watershed areas of the cerebral cortex, which are useful for interpreting haemodynamics of functional MRI images. The pre-processed dataset will provide a valuable resource for understanding haemodynamics across the human lifespan.