Abstract Neuroimaging’s capability to quickly and rapidly phenotype the cortical organization of the whole brain brings with it the possibility to extend our understanding of cortical organization across the mammalian lineage. However, neuroimaging has thus far generally limited itself to a small number of species, with most animal studies being performed in either rodents or Non-Human Primates. Here we perform a first pass characterization of an animal which has recently seen its stock rise in the neuroscience community with the development of new models of neurological disease; the domestic pig. Characterizing the structural connectome of the pig, we create a white matter atlas, and an anatomical template which we use to build a horizontal translation between the pig and human based on a connectivity blueprint approach. We find that conserved trends of structural connectivity across species enabled spatial prediction of regions of interest between the pig and human, showing the potential horizontal translations have as a tool to assess the translational validity of porcine models of neurological disease. Releasing the anatomical template, white matter atlas, and connectivity blueprints, we hope to ease and promote the acceptance of the pig as an alternative large-animal model by the neuroimaging community.

Abstract Neuroimaging non-human primates (NHPs) is a growing, yet highly specialized field of neuroscience. Resources that were primarily developed for human neuroimaging often need to be significantly adapted for use with NHPs or other animals, which has led to an abundance of custom, in-house solutions. In recent years, the global NHP neuroimaging community has made significant efforts to transform the field towards more open and collaborative practices. Here we present the PRIMatE Resource Exchange (PRIME-RE), a new collaborative online platform for NHP neuroimaging. PRIME-RE is a dynamic community-driven hub for the exchange of practical knowledge, specialized analytical tools, and open data repositories, specifically related to NHP neuroimaging. PRIME-RE caters to both researchers and developers who are either new to the field, looking to stay abreast of the latest developments, or seeking to collaboratively advance the field.

Abstract Functional connectivity holds promise as a biomarker of psychiatric disorders. Yet, its high dimensionality, combined with small sample sizes in clinical research, increases the risk of overfitting when the aim is prediction. Recently, low-dimensional representations of the connectome such as macroscale cortical gradients and gradient dispersion have been proposed, with studies noting consistent gradient and dispersion differences in psychiatric conditions. However, it is unknown which of these derived measures has the highest predictive capacity and how they compare to raw connectivity. Our study evaluates which connectome features — functional connectivity, gradients, or gradient dispersion — best identify schizophrenia. Figure 1 summarizes this work. Surprisingly, our findings indicate that functional connectivity outperforms its low-dimensional derivatives such as cortical gradients and gradient dispersion in identifying schizophrenia. Additionally, we demonstrated that the edges which contribute the most to classification performance are the ones connecting primary sensory regions.

Abstract Brain extraction (a.k.a. skull stripping) is a fundamental step in the neuroimaging pipeline as it can affect the accuracy of downstream preprocess such as image registration, tissue classification, etc. Most brain extraction tools have been designed for and applied to human data and are often challenged by non-human primates (NHP) data. Amongst recent attempts to improve performance on NHP data, deep learning models appear to outperform the traditional tools. However, given the minimal sample size of most NHP studies and notable variations in data quality, the deep learning models are very rarely applied to multi-site samples in NHP imaging. To overcome this challenge, we used a transfer-learning framework that leverages a large human imaging dataset to pretrain a convolutional neural network (i.e. U-Net Model), and then transferred this to NHP data using a small NHP training sample. The resulting transfer-learning model converged faster and achieved more accurate performance than a similar U-Net Model trained exclusively on NHP samples. We improved the generalizability of the model by upgrading the transfer-learned model using additional training datasets from multiple research sites in the Primate Data-Exchange (PRIME-DE) consortium. Our final model outperformed brain extraction routines from popular MRI packages (AFNI, FSL, and FreeSurfer) across a heterogeneous sample from multiple sites in the PRIME-DE with less computational cost (20s~10min). We also demonstrated the transfer-learning process enables the macaque model to be updated for use with scans from chimpanzees, marmosets, and other mammals (e.g. pig). Our model, code, and the skull-stripped mask repository of 136 macaque monkeys are publicly available for unrestricted use by the neuroimaging community at https://github.com/HumanBrainED/NHP-BrainExtraction .

Abstract Recent theories of cortical organisation maintain that important features of brain function emerge through the spatial arrangement of regions of cortex. For example, areas of association cortex are located in regions of cortex furthest from sensory and motor cortex. Association cortex is also ‘interdigitated’ since adjacent regions can have relatively different patterns of functional connectivity. It is assumed that topographic properties such as distance between cortical regions constrain their functions. For example, large distances between association and sensory and motor systems may enable these areas of cortex to maintain differentiable neural patterns, while an interdigitated organisation may enable association cortex to contain many functional systems in a relatively compact space. We currently lack a formal understanding of how spatial organisation impacts brain function, limiting the ability to leverage cortical topography to facilitate better interpretations of a regions function. Here we use variograms, a quantification of spatial autocorrelation, to develop a cortex-wide profile of how functional similarity changes as a function of the distance between regions. We establish that function changes gradually within sensory and motor cortex as the distance between regions increases, while in association cortex function changes rapidly over shorter distances. Subsequent analysis suggests these differential classes of spatial dependency are related to variation in intracortical myelin between sensory motor and association cortex. Our study suggests primary and association cortex are differentiated by the degree to which function varies over space, emphasising the need to formally account for spatial properties when estimating a system’s contribution to cognition and behaviour. Significance statement The spatial arrangements of regions in the human brain are hypothesised to underpin important features of a brain regions function. Currently, however, we lack a formal understanding of how topography shapes brain function, limiting our ability to leverage topographical perspectives to inform better theories of brain function. Here we use a formal mathematical approach to establish that in regions of association cortex function varies across the cortex more rapidly than in sensory and motor cortex, a phenomenon linked to levels of intracortical myelin. This result highlights how topographical features distinguish between cortical regions with different functional profiles and provides a formal account of how spatial differences support different features of brain function.