Among ‘big data’ initiatives, the ENIGMA ( E nhancing N euroImaging G enetics through M eta- A nalysis) Consortium—a worldwide alliance of over 2,000 scientists diversified into over 50 Working Groups—has yielded some of the largest studies of the healthy and diseased brain. Integration of multisite datasets to assess transdiagnostic similarities and differences and to contextualize findings with respect to neural organization, however, have been limited. Here, we introduce the ENIGMA Toolbox, a Python/Matlab ecosystem for ( i ) accessing 100+ ENIGMA datasets, facilitating cross-disorder analysis, ( ii ) visualizing data on brain surfaces, and ( iii ) contextualizing findings at the microscale ( postmortem cytoarchitecture and gene expression) and macroscale (structural and functional connectomes). Our Toolbox equips scientists with tutorials to explore molecular, histological, and network correlates of noninvasive neuroimaging markers of brain disorders. Moreover, our Toolbox bridges the gap between standardized data processing protocols and analytic workflows and facilitates cross-consortia initiatives. The Toolbox is documented and openly available at http://enigma-toolbox.readthedocs.io . Abstract Figure

Abstract Age has a major effect on brain volume. However, the normative studies available are constrained by small sample sizes, restricted age coverage and significant methodological variability. These limitations introduce inconsistencies and may obscure or distort the lifespan trajectories of brain morphometry. In response, we capitalised on the resources of the Enhancing Neuroimaging Genetics through Meta-Analysis (ENIGMA) Consortium to examine the age-related morphometric trajectories of the ventricles, the basal ganglia (caudate, putamen, pallidum, and nucleus accumbens), the thalamus, hippocampus and amygdala using magnetic resonance imaging data obtained from 18,605 individuals aged 3-90 years. All subcortical structure volumes were at their maximum early in life; the volume of the basal ganglia showed a gradual monotonic decline thereafter while the volumes of the thalamus, amygdala and the hippocampus remained largely stable (with some degree of decline in thalamus) until the sixth decade of life followed by a steep decline thereafter. The lateral ventricles showed a trajectory of continuous enlargement throughout the lifespan. Significant age-related increase in inter-individual variability was found for the hippocampus and amygdala and the lateral ventricles. These results were robust to potential confounders and could be used to derive risk predictions for the early identification of diverse clinical phenotypes.

Abstract Large data initiatives and high-powered brain imaging analyses require the pooling of MR images acquired across multiple scanners, often using different protocols. Prospective cross-site harmonization often involves the use of a phantom or traveling subjects. However, as more datasets are becoming publicly available, there is a growing need for retrospective harmonization, pooling data from sites not originally coordinated together. Several retrospective harmonization techniques have shown promise in removing cross-site image variation. However, most unsupervised methods cannot distinguish between image-acquisition based variability and cross-site population variability, so they require that datasets contain subjects or patient groups with similar clinical or demographic information. To overcome this limitation, we consider cross-site MRI image harmonization as a style transfer problem rather than a domain transfer problem. Using a fully unsupervised deep-learning framework based on a generative adversarial network (GAN), we show that MR images can be harmonized by inserting the style information encoded from a reference image directly, without knowing their site/scanner labels a priori . We trained our model using data from five large-scale multi-site datasets with varied demographics. Results demonstrated that our styleencoding model can harmonize MR images, and match intensity profiles, successfully, without relying on traveling subjects. This model also avoids the need to control for clinical, diagnostic, or demographic information. Moreover, we further demonstrated that if we included diverse enough images into the training set, our method successfully harmonized MR images collected from unseen scanners and protocols, suggesting a promising novel tool for ongoing collaborative studies.

ABSTRACT Parkinson’s disease (PD) and Alzheimer’s disease (AD) are progressive neurodegenerative disorders that affect millions of people worldwide. In this work, we propose a deep learning approach to classify these diseases based on 3D T1-weighted brain MRI. We analyzed several datasets including the Parkinson’s Progression Markers Initiative (PPMI), an independent dataset from the University of Pennsylvania School of Medicine (UPenn), the Alzheimer’s Disease Neuroimaging Initiative (ADNI), and the Open Access Series of Imaging Studies (OASIS) dataset. The UPenn and OASIS datasets were used as independent test sets to evaluate the model performance during inference. We also implemented a random forest classifier as a baseline model by extracting key radiomics features from the same T1-weighted MRI scans. The proposed 3D convolutional neural network (CNN) model was trained from scratch for the classification tasks. For AD classification, the 3D CNN model achieved an ROC-AUC of 0.878 on the ADNI test set and an average ROC-AUC of 0.789 on the OASIS dataset. For PD classification, the proposed 3D CNN model achieved an ROC-AUC of 0.667 on the PPMI test set and an average ROC-AUC of 0.743 on the UPenn dataset. Model performance was largely maintained when using only 25% of the training dataset. The 3D CNN outperformed the random forest classifier for both the PD and AD tasks. The 3D CNN also generalized better on unseen MRI data from different imaging centers. These approaches show promise for screening of PD and AD patients using only T1-weighted brain MRI, which is relatively widely available. This model with additional validation could also be used to help differentiate between challenging cases of AD and PD when they present with similarly subtle motor and non-motor symptoms.

ABSTRACT Alzheimer’s disease (AD) accounts for 60% of dementia cases worldwide; patients with the disease typically suffer from irreversible memory loss and progressive decline in multiple cognitive domains. With brain imaging techniques such as magnetic resonance imaging (MRI), microscopic brain changes are detectable even before abnormal memory loss is detected clinically. Patterns of brain atrophy can be measured using MRI, which gives us an opportunity to facilitate AD detection using image classification techniques. Even so, MRI scanning protocols and scanners differ across studies. The resulting differences in image contrast and signal to noise make it important to train and test classification models on multiple datasets, and to handle shifts in image characteristics across protocols (also known as domain transfer or domain adaptation ). Here, we examined whether adversarial domain adaptation can boost the performance of a Convolutional Neural Network (CNN) model designed to classify AD. To test this, we used an Attention-Guided Generative Adversarial Network (GAN) to harmonize images from three publicly available brain MRI datasets - ADNI, AIBL and OASIS - adjusting for scanner-dependent effects. Our AG-GAN optimized a joint objective function that included attention loss, pixel loss, cycle-consistency loss and adversarial loss; the model was trained bidirectionally in an end-to-end fashion. For AD classification, we adapted the popular 2D AlexNet CNN to handle 3D images. Classification based on harmonized MR images significantly outperformed classification based on the three datasets in non-harmonized form, motivating further work on image harmonization using adversarial techniques.

A bstract It is increasingly recognized that multiple psychiatric conditions are underpinned by shared neural pathways, affecting similar brain systems. Here, we assessed i) shared dimensions of alterations in cortical morphology across six major psychiatric conditions (autism spectrum disorder, attention deficit/hyperactivity disorder, major depression, obsessive-compulsive disorder, bipolar disorder, schizophrenia) and ii) carried out a multiscale neural contextualization, by cross-referencing shared anomalies against cortical myeloarchitecture and cytoarchitecture, as well as connectome and neurotransmitter organization. Pooling disease-related effects on MRI-based cortical thickness measures across six ENIGMA working groups, including a total of 28,546 participants (12,876 patients and 15,670 controls), we computed a shared disease dimension on cortical morphology using principal component analysis that described a sensory-fugal pattern with paralimbic regions showing the most consistent abnormalities across conditions. The shared disease dimension was closely related to cortical gradients of microstructure and intrinsic connectivity, as well as neurotransmitter systems, specifically serotonin and dopamine. Our findings embed the shared effects of major psychiatric conditions on brain structure in multiple scales of brain organization and may provide novel insights into neural mechanisms into transdiagnostic vulnerability.

Abstract Automatic neuroimaging segmentation and parcellation tools provide convenient and systematic methods for extracting numerous features from brain MRI scans, and are becoming standard practice for large-scale coordinated studies. One such tool, FreeSurfer, provides an easy-to-use pipeline to extract metrics describing cortical and subcortical morphometry. Over the past two decades, there have been over 25 stable releases of FreeSurfer, and different versions are used across published works. Despite this, the reliability and compatibility of metrics derived from the most recent major version releases have yet to be assessed empirically. Here, we use test-retest data from three public brain MRI datasets to assess within-version reliability and between-version compatibility across 42 regional outputs from three versions of FreeSurfer: the latest, v7.1, and two previous stable releases - v5.3, and v6.0. We find v7.1 was less compatible with older versions for measuring cortical thickness. In particular, the thickness of the cingulate gyrus had low compatibility (intraclass correlation coefficient (ICC) between 0.37 and 0.61) between versions. Temporal and frontal poles, and the medial orbitofrontal surface area metrics, also showed low to moderate compatibility with v7.1. While our work compares all three versions, our sub-comparisons between the older versions (v5.3 and v6.0) replicates earlier findings of low compatibility of pallidum and putamen volumes. Low between-version compatibility was not always indicative of low within-version reliability – all versions showed good to excellent reliability across most regional measures (ICC>0.8). Age associations, quality control metrics, and Dice coefficients in an independent sample of 106 individual scans, processed with all three versions of FreeSurfer, revealed differences in results of downstream statistical analysis. As neuroimaging studies adopt more recently released software, we provide researchers with a reference to highlight the regions and metrics that may yield findings inconsistent with published works using older FreeSurfer software. An interactive viewer for the results is provided at http://data.brainescience.org/Freesurfer_Reliability/

Abstract Numerous brain disorders demonstrate structural brain abnormalities, which are thought to arise from molecular perturbations or connectome miswiring. The unique and shared contributions of these molecular and connectomic vulnerabilities to brain disorders remain unknown, and has yet to be studied in a single multi-disorder framework. Using MRI morphometry from the ENIGMA consortium, we construct maps of cortical abnormalities for thirteen neurodevelopmental, neurological, and psychiatric disorders from N = 21 000 patients and N = 26 000 controls, collected using a harmonized processing protocol. We systematically compare cortical maps to multiple micro-architectural measures, including gene expression, neurotransmitter density, metabolism, and myelination (molecular vulnerability), as well as global connectomic measures including number of connections, centrality, and connection diversity (connectomic vulnerability). We find that regional molecular vulnerability and macroscale brain network architecture interact to drive the spatial patterning of cortical abnormalities in multiple disorders. Local attributes, particularly neurotransmitter receptor profiles, constitute the best predictors of both disorder-specific cortical morphology and cross-disorder similarity. Finally, we find that cross-disorder abnormalities are consistently subtended by a small subset of network epicentres in bilateral sensory-motor, medial temporal lobe, precuneus, and superior parietal cortex. Collectively, our results highlight how local biological attributes and global connectivity jointly shape cross-disorder cortical abnormalities.

Abstract Deep learning models based on convolutional neural networks (CNNs) have been used to classify Alzheimer’s disease or infer dementia severity from T1-weighted brain MRI scans. Here, we examine the value of adding diffusion-weighted MRI (dMRI) as an input to these models. Much research in this area focuses on specific datasets such as the Alzheimer’s Disease Neuroimaging Initiative (ADNI), which assesses people of North American, largely European ancestry, so we examine how models trained on ADNI, generalize to a new population dataset from India (the NIMHANS cohort). We first benchmark our models by predicting “brain age” - the task of predicting a person’s chronological age from their MRI scan and proceed to AD classification. We also evaluate the benefit of using a 3D CycleGAN approach to harmonize the imaging datasets before training the CNN models. Our experiments show that classification performance improves after harmonization in most cases, as well as better performance for dMRI as input.

ABSTRACT Whole brain tractography is commonly used to study the brain’s white matter fiber pathways, but the large number of streamlines generated - up to one million per brain - can be challenging for large-scale population studies. We propose a robust dimensionality reduction framework for tractography, using a Convolutional Variational Autoencoder (ConvVAE) to learn low-dimensional embeddings from white matter bundles. The resulting embeddings can be used to facilitate downstream tasks such as outlier and abnormality detection, and mapping of disease effects on white matter tracts in individuals or groups. We design experiments to evaluate how well embeddings of different dimensions preserve distances from the original high-dimensional dataset, using distance correlation methods. We find that streamline distances and inter-bundle distances are well preserved in the latent space, with a 6-dimensional optimal embedding space. The generative ConvVAE model allows fast inference on new data, and the smooth latent space enables meaningful decodings that can be used for downstream tasks. We demonstrate the use of a ConvVAE model trained on control subjects’ data to detect structural anomalies in white matter tracts in patients with Alzheimer’s disease (AD). Using ConvVAEs to facilitate population analyses, we identified 6 tracts with statistically significant differences between AD and controls after controlling for age and sex effect, visualizing specific locations along the tracts with high anomalies despite large inter-subject variations in fiber bundle geometry.