The profile of brain structural abnormalities in schizophrenia is still not fully understood, despite decades of research using brain scans. To validate a prospective meta-analysis approach to analyzing multicenter neuroimaging data, we analyzed brain MRI scans from 2028 schizophrenia patients and 2540 healthy controls, assessed with standardized methods at 15 centers worldwide. We identified subcortical brain volumes that differentiated patients from controls, and ranked them according to their effect sizes. Compared with healthy controls, patients with schizophrenia had smaller hippocampus (Cohen's d=-0.46), amygdala (d=-0.31), thalamus (d=-0.31), accumbens (d=-0.25) and intracranial volumes (d=-0.12), as well as larger pallidum (d=0.21) and lateral ventricle volumes (d=0.37). Putamen and pallidum volume augmentations were positively associated with duration of illness and hippocampal deficits scaled with the proportion of unmedicated patients. Worldwide cooperative analyses of brain imaging data support a profile of subcortical abnormalities in schizophrenia, which is consistent with that based on traditional meta-analytic approaches. This first ENIGMA Schizophrenia Working Group study validates that collaborative data analyses can readily be used across brain phenotypes and disorders and encourages analysis and data sharing efforts to further our understanding of severe mental illness.

Schizophrenia is a psychotic disorder characterized by functional dysconnectivity or abnormal integration between distant brain regions. Recent functional imaging studies have implicated large-scale thalamo-cortical connectivity as being disrupted in patients. However, observed connectivity differences in schizophrenia have been inconsistent between studies, with reports of hyperconnectivity and hypoconnectivity between the same brain regions. Using resting state eyes-closed functional imaging and independent component analysis on a multi-site data that included 151 schizophrenia patients and 163 age- and gender matched healthy controls, we decomposed the functional brain data into 100 components and identified 47 as functionally relevant intrinsic connectivity networks. We subsequently evaluated group differences in functional network connectivity, both in a static sense, computed as the pairwise Pearson correlations between the full network time courses (5.4 minutes in length), and a dynamic sense, computed using sliding windows (44 s in length) and k-means clustering to characterize five discrete functional connectivity states. Static connectivity analysis revealed that compared to healthy controls, patients show significantly stronger connectivity, i.e., hyperconnectivity, between the thalamus and sensory networks (auditory, motor and visual), as well as reduced connectivity (hypoconnectivity) between sensory networks from all modalities. Dynamic analysis suggests that (1), on average, schizophrenia patients spend much less time than healthy controls in states typified by strong, large-scale connectivity, and (2), that abnormal connectivity patterns are more pronounced during these connectivity states. In particular, states exhibiting cortical-subcortical antagonism (anti-correlations) and strong positive connectivity between sensory networks are those that show the group differences of thalamic hyperconnectivity and sensory hypoconnectivity. Group differences are weak or absent during other connectivity states. Dynamic analysis also revealed hypoconnectivity between the putamen and sensory networks during the same states of thalamic hyperconnectivity; notably, this finding cannot be observed in the static connectivity analysis. Finally, in post-hoc analyses we observed that the relationships between sub-cortical low frequency power and connectivity with sensory networks is altered in patients, suggesting different functional interactions between sub-cortical nuclei and sensorimotor cortex during specific connectivity states. While important differences between patients with schizophrenia and healthy controls have been identified, one should interpret the results with caution given the history of medication in patients. Taken together, our results support and expand current knowledge regarding dysconnectivity in schizophrenia, and strongly advocate the use of dynamic analyses to better account for and understand functional connectivity differences.

The regional distribution of white matter (WM) abnormalities in schizophrenia remains poorly understood, and reported disease effects on the brain vary widely between studies. In an effort to identify commonalities across studies, we perform what we believe is the first ever large-scale coordinated study of WM microstructural differences in schizophrenia. Our analysis consisted of 2359 healthy controls and 1963 schizophrenia patients from 29 independent international studies; we harmonized the processing and statistical analyses of diffusion tensor imaging (DTI) data across sites and meta-analyzed effects across studies. Significant reductions in fractional anisotropy (FA) in schizophrenia patients were widespread, and detected in 20 of 25 regions of interest within a WM skeleton representing all major WM fasciculi. Effect sizes varied by region, peaking at (d=0.42) for the entire WM skeleton, driven more by peripheral areas as opposed to the core WM where regions of interest were defined. The anterior corona radiata (d=0.40) and corpus callosum (d=0.39), specifically its body (d=0.39) and genu (d=0.37), showed greatest effects. Significant decreases, to lesser degrees, were observed in almost all regions analyzed. Larger effect sizes were observed for FA than diffusivity measures; significantly higher mean and radial diffusivity was observed for schizophrenia patients compared with controls. No significant effects of age at onset of schizophrenia or medication dosage were detected. As the largest coordinated analysis of WM differences in a psychiatric disorder to date, the present study provides a robust profile of widespread WM abnormalities in schizophrenia patients worldwide. Interactive three-dimensional visualization of the results is available at www.enigma-viewer.org .

The complexity of the human brain's activity and connectivity varies over temporal scales and is altered in disease states such as schizophrenia. Using a multi-level analysis of spontaneous low-frequency fMRI data stretching from the activity of individual brain regions to the coordinated connectivity pattern of the whole brain, we investigate the role of brain signal complexity in schizophrenia. Specifically, we quantitatively characterize the univariate wavelet entropy of regional activity, the bivariate pairwise functional connectivity between regions, and the multivariate network organization of connectivity patterns. Our results indicate that univariate measures of complexity are less sensitive to disease state than higher level bivariate and multivariate measures. While wavelet entropy is unaffected by disease state, the magnitude of pairwise functional connectivity is significantly decreased in schizophrenia and the variance is increased. Furthermore, by considering the network structure as a function of correlation strength, we find that network organization specifically of weak connections is strongly correlated with attention, memory, and negative symptom scores and displays potential as a clinical biomarker, providing up to 75% classification accuracy and 85% sensitivity. We also develop a general statistical framework for the testing of group differences in network properties, which is broadly applicable to studies where changes in network organization are crucial to the understanding of brain function.

Background: Schizophrenia is characterized by a lack of integration between thought, emotion, and behavior. A disruption in the connectivity between brain processes may underlie this schism. Functional magnetic resonance imaging (fMRI) and diffusion tensor imaging (DTI) were used to evaluate functional and anatomical brain connectivity in schizophrenia. Methods: In all, 29 chronic schizophrenia patients (11 females, age: mean = 41.3, SD = 9.28) and 29 controls (11 females, age: mean = 41.1, SD = 10.6) were recruited. Schizophrenia patients were assessed for severity of negative and positive symptoms and general cognitive abilities of attention/concentration and memory. Participants underwent a resting-fMRI scan and a DTI scan. For fMRI data, a hybrid independent components analysis was used to extract the group default mode network (DMN) and accompanying time-courses. Voxel-wise whole-brain multiple regressions with corresponding DMN time-courses was conducted for each subject. A t-test was conducted on resulting DMN correlation maps to look between-group differences. For DTI data, voxel-wise statistical analysis of the fractional anisotropy data was carried out to look for between-group differences. Voxel-wise correlations were conducted to investigate the relationship between brain connectivity and behavioral measures. Results: Results revealed altered functional and anatomical connectivity in medial frontal and anterior cingulate gyri of schizophrenia patients. In addition, frontal connectivity in schizophrenia patients was positively associated with symptoms as well as with general cognitive ability measures. Discussion: The present study shows convergent fMRI and DTI findings that are consistent with the disconnection hypothesis in schizophrenia, particularly in medial frontal regions, while adding some insight of the relationship between brain disconnectivity and behavior.

This study examined the sensitivity of diffusion tensor imaging (DTI) to microstructural white matter (WM) damage in mild and moderate pediatric traumatic brain injury (TBI). Fourteen children with TBI and 14 controls ages 10–18 had DTI scans and neurocognitive evaluations at 6–12 months post-injury. Groups did not differ in intelligence, but children with TBI showed slower processing speed, working memory and executive deficits, and greater behavioral dysregulation. The TBI group had lower fractional anisotropy (FA) in three WM regions: inferior frontal, superior frontal, and supracallosal. There were no group differences in corpus callosum. FA in the frontal and supracallosal regions was correlated with executive functioning. Supracallosal FA was also correlated with motor speed. Behavior ratings showed correlations with supracallosal FA. Parent-reported executive deficits were inversely correlated with FA. Results suggest that DTI measures are sensitive to long-term WM changes and associated with cognitive functioning following pediatric TBI.

Importance

 Major depressive disorder (MDD) frequently emerges during adolescence and can lead to persistent illness, disability, and suicide. The maturational changes that take place in the brain during adolescence underscore the importance of examining neurobiological mechanisms during this time of early illness. However, neural mechanisms of depression in adolescents have been understudied. Research has implicated the amygdala in emotion processing in mood disorders, and adult depression studies have suggested amygdala-frontal connectivity deficits. Resting-state functional magnetic resonance imaging is an advanced tool that can be used to probe neural networks and identify brain-behavior relationships. 

Objective

 To examine amygdala resting-state functional connectivity (RSFC) in adolescents with and without MDD using resting-state functional magnetic resonance imaging as well as how amygdala RSFC relates to a broad range of symptom dimensions. 

Design, Setting, and Participants

 A cross-sectional resting-state functional magnetic resonance imaging study was conducted within a depression research program at an academic medical center. Participants included 41 adolescents and young adults aged 12 to 19 years with MDD and 29 healthy adolescents (frequency matched on age and sex) with no psychiatric diagnoses. 

Main Outcomes and Measures

 Using a whole-brain functional connectivity approach, we examined the correlation of spontaneous fluctuation of the blood oxygen level–dependent signal of each voxel in the whole brain with that of the amygdala. 

Results

 Adolescents with MDD showed lower positive RSFC between the amygdala and hippocampus, parahippocampus, and brainstem (z>2.3, correctedP< .05); this connectivity was inversely correlated with general depression (R = −.523,P = .01), dysphoria (R = −.455,P = .05), and lassitude (R = −.449,P = .05) and was positively correlated with well-being (R = .470,P = .03). Patients also demonstrated greater (positive) amygdala-precuneus RSFC (z>2.3, correctedP< .05) in contrast to negative amygdala-precuneus RSFC in the adolescents serving as controls. 

Conclusions and Relevance

 Impaired amygdala-hippocampal/brainstem and amygdala-precuneus RSFC have not previously been highlighted in depression and may be unique to adolescent MDD. These circuits are important for different aspects of memory and self-processing and for modulation of physiologic responses to emotion. The findings suggest potential mechanisms underlying both mood and vegetative symptoms, potentially via impaired processing of memories and visceral signals that spontaneously arise during rest, contributing to the persistent symptoms experienced by adolescents with depression.

Abstract Cortical thickness, surface area and volumes (MRI cortical measures) vary with age and cognitive function, and in neurological and psychiatric diseases. We examined heritability, genetic correlations and genome-wide associations of cortical measures across the whole cortex, and in 34 anatomically predefined regions. Our discovery sample comprised 22,822 individuals from 20 cohorts within the Cohorts for Heart and Aging Research in Genomic Epidemiology (CHARGE) consortium and the United Kingdom Biobank. Significant associations were replicated in the Enhancing Neuroimaging Genetics through Meta-analysis (ENIGMA) consortium, and their biological implications explored using bioinformatic annotation and pathway analyses. We identified genetic heterogeneity between cortical measures and brain regions, and 161 genome-wide significant associations pointing to wnt/β-catenin, TGF-β and sonic hedgehog pathways. There was enrichment for genes involved in anthropometric traits, hindbrain development, vascular and neurodegenerative disease and psychiatric conditions. These data are a rich resource for studies of the biological mechanisms behind cortical development and aging.

Abstract Hemispheric asymmetry is a cardinal feature of human brain organization. Altered brain asymmetry has also been linked to some cognitive and neuropsychiatric disorders. Here the ENIGMA consortium presents the largest ever analysis of cerebral cortical asymmetry and its variability across individuals. Cortical thickness and surface area were assessed in MRI scans of 17,141 healthy individuals from 99 datasets worldwide. Results revealed widespread asymmetries at both hemispheric and regional levels, with a generally thicker cortex but smaller surface area in the left hemisphere relative to the right. Regionally, asymmetries of cortical thickness and/or surface area were found in the inferior frontal gyrus, transverse temporal gyrus, parahippocampal gyrus, and entorhinal cortex. These regions are involved in lateralized functions, including language and visuospatial processing. In addition to population-level asymmetries, variability in brain asymmetry was related to sex, age, and brain size (indexed by intracranial volume). Interestingly, we did not find significant associations between asymmetries and handedness. Finally, with two independent pedigree datasets ( N = 1,443 and 1,113, respectively), we found several asymmetries showing modest but highly reliable heritability. The structural asymmetries identified, and their variabilities and heritability provide a reference resource for future studies on the genetic basis of brain asymmetry and altered laterality in cognitive, neurological, and psychiatric disorders. Significance Statement Left-right asymmetry is a key feature of the human brain's structure and function. It remains unclear which cortical regions are asymmetrical on average in the population, and how biological factors such as age, sex and genetic variation affect these asymmetries. Here we describe by far the largest ever study of cerebral cortical brain asymmetry, based on data from 17,141 participants. We found a global anterior-posterior 'torque' pattern in cortical thickness, together with various regional asymmetries at the population level, which have not been previously described, as well as effects of age, sex, and heritability estimates. From these data, we have created an on-line resource that will serve future studies of human brain anatomy in health and disease.

Abstract Resting-state functional magnetic resonance imaging (rsfMRI) has shown considerable promise for improving our understanding of brain function and characterizing various mental and cognitive states in the healthy and disordered brain. However, the lack of accurate and precise estimations of comparable functional patterns across datasets, individuals, and ever-changing brain states in a way that captures both individual variation and inter-subject correspondence limits the clinical utility of rsfMRI and its application to single-subject analyses. We posit that using reliable network templates and advanced group-informed network estimation approaches to accurately and precisely obtain individualized (dynamic) networks that retain cross-subject correspondence while maintaining subject-specific information is one potential solution to overcome the aforementioned barrier when considering cross-study comparability, independence of subject-level estimates, the limited data available in single studies, and the low signal-to-noise ratio (SNR) of rsfMRI. Toward this goal, we first obtained a reliable and replicable network template. We combined rsfMRI data of over 100k individuals across private and public datasets and selected around 58k that meet quality control (QC) criteria. We then applied multi-model-order independent component analysis (ICA) and subsampling to obtain reliable canonical intrinsic connectivity networks (ICNs) across multiple spatial scales. The selected ICNs (i.e., network templates) were also successfully replicated by independently analyzing the data that did not pass the QC criteria, highlighting the robustness of our adaptive template to data quality. We next studied the feasibility of estimating the corresponding subject-specific ICNs using a multivariate-spatially constrained ICA as an example of group-informed network estimation approaches. The results highlight that several factors, including ICNs themselves, data length, and spatial resolution, play key roles in successfully estimating the ICNs at the subject level. Large-scale ICNs, in general, require less data to achieve a specific level of spatial similarity with their templates (as well as within- and between-subject spatial similarity). Moreover, increasing data length can reduce an ICN’s subject-level specificity, suggesting longer scans might not always be desirable. We also show spatial smoothing can alter results, and the positive linear relationship we observed between data length and spatial smoothness (we posit that it is at least partially due to averaging over intrinsic dynamics or individual variation) indicates the importance of considering this factor in studies such as those focused on optimizing data length. Finally, the consistency in the spatial similarity between ICNs estimated using the full-length of data and subset of it across different data lengths may suggest that the lower within-subject spatial similarity in shorter data lengths is not necessarily only defined by lower reliability in ICN estimates; rather, it can also be an indication of brain dynamics (i.e., different subsets of data may reflect different ICN dynamics), and as we increase the data length, the result approaches the average (also known as static) ICN pattern, and therefore loses its distinctiveness.