Abstract Limitations in the accuracy of brain pathways reconstructed by diffusion MRI (dMRI) tractography have received considerable attention. While the technical advances spearheaded by the Human Connectome Project (HCP) led to significant improvements in dMRI data quality, it remains unclear how these data should be analyzed to maximize tractography accuracy. Over a period of two years, we have engaged the dMRI community in the IronTract Challenge, which aims to answer this question by leveraging a unique dataset. Macaque brains that have received both tracer injections and ex vivo dMRI at high spatial and angular resolution allow a comprehensive, quantitative assessment of tractography accuracy on state-of-the-art dMRI acquisition schemes. We find that, when analysis methods are carefully optimized, the HCP scheme can achieve similar accuracy as a more time-consuming, Cartesian-grid scheme. Importantly, we show that simple pre- and post-processing strategies can improve the accuracy and robustness of many tractography methods. Finally, we find that fiber configurations that go beyond crossing ( e . g ., fanning, branching) are the most challenging for tractography. The IronTract Challenge remains open and we hope that it can serve as a valuable validation tool for both users and developers of dMRI analysis methods.

Background: Major depressive disorder (MDD) is associated with an increased risk of brain atrophy, aging-related diseases, and mortality. We examined potential advanced brain aging in MDD patients, and whether this process is associated with clinical characteristics in a large multi-center international dataset. Methods: We performed a mega-analysis by pooling brain measures derived from T1-weighted MRI scans from 29 samples worldwide. Normative brain aging was estimated by predicting chronological age (10-75 years) from 7 subcortical volumes, 34 cortical thickness and 34 surface area, lateral ventricles and total intracranial volume measures separately in 1,147 male and 1,386 female controls from the ENIGMA MDD working group. The learned model parameters were applied to 1,089 male controls and 1,167 depressed males, and 1,326 female controls and 2,044 depressed females to obtain independent unbiased brain-based age predictions. The difference between predicted brain age and chronological age was calculated to indicate brain predicted age difference (brain-PAD). Findings: On average, MDD patients showed a higher brain-PAD of +0.90 (SE 0.21) years (Cohen's d=0.12, 95% CI 0.06-0.17) compared to controls. Relative to controls, first-episode and currently depressed patients showed higher brain-PAD (+1.2 [0.3] years), and the largest effect was observed in those with late-onset depression (+1.7 [0.7] years). In addition, higher brain-PAD was associated with higher self-reported depressive symptomatology (b=0.05, p=0.004). Interpretation: This highly powered collaborative effort showed subtle patterns of abnormal structural brain aging in MDD. Substantial within-group variance and overlap between groups were observed. Longitudinal studies of MDD and somatic health outcomes are needed to further assess the predictive value of these brain-PAD estimates.

Abstract Delineating age-related cortical trajectories in healthy individuals is critical given the association of cortical thickness with cognition and behaviour. Previous research has shown that deriving robust estimates of age-related brain morphometric changes requires large-scale studies. In response, we conducted a large-scale analysis of cortical thickness in 17,075 individuals aged 3-90 years by pooling data through the Lifespan Working group of the Enhancing Neuroimaging Genetics through Meta-Analysis (ENIGMA) Consortium. We used fractional polynomial (FP) regression to characterize age-related trajectories in cortical thickness, and we computed normalized growth centiles using the parametric Lambda, Mu, and Sigma (LMS) method. Inter-individual variability was estimated using meta-analysis and one-way analysis of variance. Overall, cortical thickness peaked in childhood and had a steep decrease during the first 2-3 decades of life; thereafter, it showed a gradual monotonic decrease which was steeper in men than in women particularly in middle-life. Notable exceptions to this general pattern were entorhinal, temporopolar and anterior cingulate cortices. Inter-individual variability was largest in temporal and frontal regions across the lifespan. Age and its FP combinations explained up to 59% variance in cortical thickness. These results reconcile uncertainties about age-related trajectories of cortical thickness; the centile values provide estimates of normative variance in cortical thickness, and may assist in detecting abnormal deviations in cortical thickness, and associated behavioural, cognitive and clinical outcomes.

Abstract Mechanisms underpinning age-related variations in cortical thickness in the human brain remain poorly understood. We investigated whether inter-regional age-related variations in cortical thinning (in a multicohort neuroimaging dataset from the ENIGMA Lifespan Working Group totalling 14,248 individuals, aged 4-89 years) depended on cell-specific marker gene expression levels. We found differences amidst early-life (<20 years), mid-life (20-60 years), and late-life (>60 years) in the patterns of association between inter-regional profiles of cortical thickness and expression profiles of marker genes for CA1 and S1 pyramidal cells, astrocytes, and microglia. Gene ontology and enrichment analyses indicated that each of the three life-stages was associated with different biological processes and cellular components: synaptic modeling in early life, neurotransmission in mid-life, and neurodegeneration in late-life. These findings provide mechanistic insights into age-related cortical thinning during typical development and aging.

Abstract In magnetic resonance imaging, the application of a strong diffusion weighting suppresses the signal contributions from the less diffusion-restricted constituents of the brain’s white matter, thus enabling the estimation of the transverse relaxation time T 2 that arises from the more diffusion-restricted constituents such as the axons. However, the presence of cell nuclei and vacuoles can confound the estimation of the axonal T 2 , as diffusion within those structures is also restricted, causing the corresponding signal to survive the strong diffusion weighting. We devise an estimator of the axonal T 2 based on the directional spherical variance of the strongly diffusion-weighted signal. The spherical variance T 2 estimates are insensitive to the presence of isotropic contributions to the signal like those provided by cell nuclei and vacuoles. We show that with a strong diffusion weighting these estimates differ from those obtained using the directional spherical mean of the signal which contains both axonal and isotropically-restricted contributions. Our findings hint at the presence of an MRI-visible isotropically-restricted contribution to the signal in the white matter ex vivo fixed tissue (monkey) at 7T, and do not allow us to discard such a possibility also for in vivo human data collected with a clinical 3T system.

ABSTRACT Fetal brain diffusion magnetic resonance images are often acquired with a lower through-plane than in-plane resolution. This anisotropy is often overcome by classical upsampling methods such as linear or cubic interpolation. In this work, we employ an unsupervised learning algorithm using an autoencoder neural network to enhance the through-plane resolution by leveraging a large amount of data. Our framework, which can also be used for slice outliers replacement, overperformed conventional interpolations quantitatively and qualitatively on pre-term newborns of the developing Human Connectome Project. The evaluation was performed on both the original diffusion-weighted signal and on the estimated diffusion tensor maps. A byproduct of our autoencoder was its ability to act as a denoiser. The network was able to generalize to fetal data with different levels of motion and we qualitatively showed its consistency, hence supporting the relevance of pre-term datasets to improve the processing of fetal brain images.