Functional magnetic resonance imaging (fMRI) data are dominated by noise and artifacts, with only a small fraction of the variance relating to neural activity. Temporal independent component analysis (tICA) is a recently developed method that enables selective denoising of fMRI artifacts related to physiology such as respiration. However, an automated and easy to use pipeline for tICA has not previously been available; instead, two manual steps have been necessary: 1) setting the group spatial ICA dimensionality after MELODIC's Incremental Group-PCA (MIGP) and 2) labeling tICA components as artifacts versus signals. Moreover, guidance has been lacking as to how many subjects and timepoints are needed to adequately re-estimate the temporal ICA decomposition and what alternatives are available for smaller groups or even individual subjects. Here, we introduce a nine-step fully automated tICA pipeline which removes global artifacts from fMRI dense timeseries after sICA+FIX cleaning and MSMAll alignment driven by functionally relevant areal features. Additionally, we have developed an automated "reclean" Pipeline for improved spatial ICA (sICA) artifact removal. Two major automated components of the pipeline are 1) an automatic group spatial ICA (sICA) dimensionality selection for MIGP data enabled by fitting multiple Wishart distributions; 2) a hierarchical classifier to distinguish group tICA signal components from artifactual components, equipped with a combination of handcrafted features from domain expert knowledge and latent features obtained via self-supervised learning on spatial maps. We demonstrate that the dimensionality estimated for the MIGP data from HCP Young Adult 3T and 7T datasets is comparable to previous manual tICA estimates, and that the group sICA decomposition is highly reproducible. We also show that the tICA classifier achieved over 0.98 Precision-Recall Area Under Curve (PR-AUC) and that the correctly classified components account for over 95% of the tICA-represented variance on multiple held-out evaluation datasets including the HCP-Young Adult, HCP-Aging and HCP-Development datasets under various settings. Our automated tICA pipeline is now available as part of the HCP pipelines, providing a powerful and user-friendly tool for the neuroimaging community.

Mapping the vascular organization of the brain is of great importance across various domains of basic neuroimaging research, diagnostic radiology, and neurology. However, the intricate task of precisely mapping vasculature across brain regions and cortical layers presents formidable challenges, resulting in a limited understanding of neurometabolic factors influencing the brains microvasculature. Addressing this gap, our study investigates whole-brain vascular volume using ferumoxytol-weighted laminar-resolution multi-echo gradient-echo imaging in macaque monkeys. We validate the results with published data for vascular densities and compare them with cytoarchitecture, neuron and synaptic densities. The ferumoxytol-induced change in transverse relaxation rate (ΔR2*), an indirect proxy measure of cerebral blood volume (CBV), was mapped onto twelve equivolumetric laminar cortical surfaces. Our findings reveal that CBV varies 3-fold across the brain, with the highest vascular volume observed in the inferior colliculus and lowest in the corpus callosum. In the cerebral cortex, CBV is notably high in early primary sensory areas and low in association areas responsible for higher cognitive functions. Classification of CBV into distinct groups unveils extensive replication of translaminar vascular network motifs, suggesting distinct computational energy supply requirements in areas with varying cytoarchitecture types. Regionally, baseline R2* and CBV exhibit positive correlations with neuron density and negative correlations with receptor densities. Adjusting image resolution based on the critical sampling frequency of penetrating cortical vessels, allows us to delineate approximately 30% of the arterial-venous vessels. Collectively, these results mark significant methodological and conceptual advancements, contributing to the refinement of cerebrovascular MRI. Furthermore, our study establishes a linkage between neurometabolic factors and the vascular network architecture in the primate brain.

Abstract Feedback connections play a major role in many theories of brain function. Previous studies of feedback connections to early visual areas have mainly concentrated on the representation of central visual fields. Here, injections of tracers at different eccentricities in areas V1 and V2 revealed retinotopically organized feedback. Peripheral injections revealed projections from 15 areas that are not labeled by central injections. Connection strengths for the majority of projections vary significantly with eccentricity in a systematic fashion with respect to distance and origin; whereas projections to central and upper visual fields are significantly stronger from ventral stream areas, peripheral and lower field projections are stronger from the dorsal stream. Non-invasive functional connectivity suggests a similar anatomical organization in humans. These features are discussed with respect to the cognitive and perceptual roles of these feedback pathways.

About a quarter of human cerebral cortex is tiled with maps of the visual field. These maps can be measured with functional magnetic resonance imaging (fMRI) while subjects view spatially modulated visual stimuli, also known as 'retinotopic mapping'. One of the datasets collected by the Human Connectome Project (HCP) involved ultra-high-field (7 Tesla) fMRI retinotopic mapping in 181 healthy adults (1.6-mm resolution), yielding the largest freely available collection of retinotopy data. Here, we describe the experimental paradigm and the results of model-based analysis of the fMRI data. These results provide estimates of population receptive field position and size. Our analyses include both results from individual subjects as well as results obtained by averaging fMRI time-series across subjects at each cortical and subcortical location and then fitting models. Both the group-average and individual-subject results reveal robust signals across much of the brain, including occipital, temporal, parietal, and frontal cortex as well as subcortical areas. The group-average results agree well with previously published parcellations of visual areas. In addition, split-half analyses demonstrate strong within-subject reliability, further evidencing the high quality of the data. We make publicly available the analysis results for individual subjects and the group average, as well as associated stimuli and analysis code. These resources provide an opportunity for studying fine-scale individual variability in cortical and subcortical organization and the properties of high-resolution fMRI. In addition, they provide a measure that can be combined with other HCP measures acquired in these same participants. This enables comparisons across groups, health, and age, and comparison of organization derived from a retinotopic task against that derived from other measurements such as diffusion imaging and resting-state functional connectivity.

Brain connectivity is often considered in terms of the communication between functionally distinct brain regions. Many studies have investigated the extent to which patterns of coupling strength between multiple neural populations relates to behavior. For example, studies have used "functional connectivity fingerprints" to characterise individuals' brain activity. Here, we investigate the extent to which the exact spatial arrangement of cortical regions interacts with measures of brain connectivity. We find that the shape and exact location of brain regions interact strongly with the modelling of brain connectivity, and present evidence that the spatial arrangement of functional regions is strongly predictive of non-imaging measures of behaviour and lifestyle. We believe that, in many cases, cross-subject variations in the spatial configuration of functional brain regions are being interpreted as changes in functional connectivity. Therefore, a better understanding of these effects is important when interpreting the relationship between functional imaging data and cognitive traits.

Individual differences in the spatial organization of resting state networks have received increased attention in recent years. Measures of individual-specific spatial organization of brain networks and overlapping network organization have been linked to important behavioral and clinical traits and are therefore potential biomarker targets for personalized psychiatry approaches. To better understand individual-specific spatial brain organization, this paper addressed three key goals. First, we determined whether it is possible to reliably estimate weighted (non-binarized) resting state network maps using data from only a single individual, while also maintaining maximum spatial correspondence across individuals. Second, we determined the degree of spatial overlap between distinct networks, using test-retest and twin data. Third, we systematically tested multiple hypotheses (spatial mixing, temporal switching, and coupling) as candidate explanations for why networks overlap spatially. To estimate weighted network organization, we adopt the Probabilistic Functional Modes (PROFUMO) algorithm, which implements a Bayesian framework with hemodynamic and connectivity priors to supplement optimization for spatial sparsity/independence. Our findings showed that replicable individual-specific estimates of weighted resting state networks can be derived using high quality fMRI data within individual subjects. Network organization estimates using only data from each individual subject closely resembled group-informed network estimates (which was not explicitly modeled in our individual-specific analyses), suggesting that cross-subject correspondence was largely maintained. Furthermore, our results confirmed the presence of spatial overlap in network organization, which was replicable across sessions within individuals and in monozygotic twin pairs. Intriguingly, our findings provide evidence that network overlap is indicative of linear additive coupling. These results suggest that regions of network overlap concurrently process information from all contributing networks, potentially pointing to the role of overlapping network organization in the integration of information across multiple brain systems.

During the third trimester of human brain development, the cerebral cortex undergoes dramatic surface expansion and folding. Physical models suggest that relatively rapid growth of the cortical gray matter helps drive this folding, and structural data suggests that growth may vary in both space (by region on the cortical surface) and time. In this study, we propose a new method to estimate local growth from sequential cortical reconstructions. Using anatomically-constrained Multimodal Surface Matching (aMSM), we obtain accurate, physically-guided point correspondence between younger and older cortical reconstructions of the same individual. From each pair of surfaces, we calculate continuous, smooth maps of cortical expansion with unprecedented precision. By considering 30 preterm infants scanned 2-4 times during the period of rapid cortical expansion (28 to 38 weeks postmenstrual age), we observe significant regional differences in growth across the cortical surface that are consistent with patterns of active folding. Furthermore, these growth patterns shift over the course of development, with non-injured subjects following a highly consistent trajectory. This information provides a detailed picture of dynamic changes in cortical growth, connecting what is known about patterns of development at the microscopic (cellular) and macroscopic (folding) scales. Since our method provides specific growth maps for individual brains, we are also able to detect alterations due to injury. This fully-automated surface analysis, based on tools freely available to the brain mapping community, may also serve as a useful approach for future studies of abnormal growth due to genetic disorders, injury, or other environmental variables.

Abstract The inter-areal wiring pattern of mouse cerebral cortex was analyzed in relation to an accurate parcellation of cortical areas. Twenty-seven retrograde tracer injections were made in 19 areas of a 41 area (plus 7 sub-area) parcellation of the mouse neo-, parahippocampal and perirhinal cortex. Flat mounts of the cortex and multiple histological markers enabled detailed counts of labeled neurons in individual areas. A weight index was determined for each area-to-area pathway based on the Fraction of Extrinsically Labeled Neurons (FLNe). Data analysis allowed cross species comparison with the macaque. Estimation of FLNe statistical variability based on repeat injections revealed high consistency across individuals and justifies using a single injection per area to characterize connectivity. The observed lognormal distribution of connections to each cortical area spanned 5 orders of magnitude and revealed a distinct connectivity profile for each area, analogous to that observed in macaque. The resulting graph has a density of 97% (i.e. 97% of connections that can exist do exist), considerably higher than the 66% density reported for the macaque. Our results provide more sharply defined connectivity profiles and a markedly higher graph density than shown in a recent probabilistic mouse connectome.

Abstract Localising accurate brain regions needs careful evaluation in each experimental species due to their individual variability. However, the function and connectivity of brain areas is commonly studied using a single-subject cranial landmark-based stereotactic atlas in animal neuroscience. Here, we address this issue in a small primate, the common marmoset, which is increasingly widely used in systems neuroscience. We developed a non-invasive multi-modal neuroimaging-based targeting pipeline, which accounts for intersubject anatomical variability in cranial and cortical landmarks in marmosets. This methodology allowed creation of multi-modal templates (MarmosetRIKEN20) including head CT and brain MR images, embedded in coordinate systems of anterior and posterior commissures (AC-PC) and CIFTI grayordinates. We found that the horizontal plane of the stereotactic coordinate was significantly rotated in pitch relative to the AC-PC coordinate system (10 degrees, frontal downwards), and had a significant bias and uncertainty due to positioning procedures. We also found that many common cranial and brain landmarks (e.g., bregma, intraparietal sulcus) vary in location across subjects and are substantial relative to average marmoset cortical area dimensions. Combining the neuroimaging-based targeting pipeline with robot-guided surgery enabled proof-of-concept targeting of deep brain structures with an accuracy of 0.2 mm. Altogether, our findings demonstrate substantial intersubject variability in marmoset brain and cranial landmarks, implying that subject-specific neuroimaging-based localization is needed for precision targeting in marmosets. The population-based templates and atlases in grayordinates, created for the first time in marmoset monkeys, should help bridging between macroscale and microscale analyses. Highlights Achieved sub-millimeter localization accuracy of subject-wise brain region Propose a dedicated non-invasive multi-modal subject-specific registration pipeline Construct brain coordinate system in AC-PC and grayordinate spaces Establish multi-modal MRI and CT brain and cortical templates, MarmosetRIKEN20 Quantify intersubject variabilities in marmoset brain Significant bias and uncertainty exist in marmoset stereotactic positioning