Several recent reports in large, independent samples have demonstrated the influence of motion artifact on resting-state functional connectivity MRI (rsfc-MRI). Standard rsfc-MRI preprocessing typically includes regression of confounding signals and band-pass filtering. However, substantial heterogeneity exists in how these techniques are implemented across studies, and no prior study has examined the effect of differing approaches for the control of motion-induced artifacts. To better understand how in-scanner head motion affects rsfc-MRI data, we describe the spatial, temporal, and spectral characteristics of motion artifacts in a sample of 348 adolescents. Analyses utilize a novel approach for describing head motion on a voxelwise basis. Next, we systematically evaluate the efficacy of a range of confound regression and filtering techniques for the control of motion-induced artifacts. Results reveal that the effectiveness of preprocessing procedures on the control of motion is heterogeneous, and that improved preprocessing provides a substantial benefit beyond typical procedures. These results demonstrate that the effect of motion on rsfc-MRI can be substantially attenuated through improved preprocessing procedures, but not completely removed.

It has recently been reported (Van Dijk et al., 2011) that in-scanner head motion can have a substantial impact on MRI measurements of resting-state functional connectivity. This finding may be of particular relevance for studies of neurodevelopment in youth, confounding analyses to the extent that motion and subject age are related. Furthermore, while Van Dijk et al. demonstrated the effect of motion on seed-based connectivity analyses, it is not known how motion impacts other common measures of connectivity. Here we expand on the findings of Van Dijk et al. by examining the effect of motion on multiple types of resting-state connectivity analyses in a large sample of children and adolescents (n = 456). Following replication of the effect of motion on seed-based analyses, we examine the influence of motion on graphical measures of network modularity, dual-regression of independent component analysis, as well as the amplitude and fractional amplitude of low frequency fluctuation. In the entire sample, subject age was highly related to motion. Using a subsample where age and motion were unrelated, we demonstrate that motion has marked effects on connectivity in every analysis examined. While subject age was associated with increased within-network connectivity even when motion was accounted for, controlling for motion substantially attenuated the strength of this relationship. The results demonstrate the pervasive influence of motion on multiple types functional connectivity analysis, and underline the importance of accounting for motion in studies of neurodevelopment.

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.

Since initial reports regarding the impact of motion artifact on measures of functional connectivity, there has been a proliferation of participant-level confound regression methods to limit its impact. However, many of the most commonly used techniques have not been systematically evaluated using a broad range of outcome measures. Here, we provide a systematic evaluation of 14 participant-level confound regression methods in 393 youths. Specifically, we compare methods according to four benchmarks, including the residual relationship between motion and connectivity, distance-dependent effects of motion on connectivity, network identifiability, and additional degrees of freedom lost in confound regression. Our results delineate two clear trade-offs among methods. First, methods that include global signal regression minimize the relationship between connectivity and motion, but result in distance-dependent artifact. In contrast, censoring methods mitigate both motion artifact and distance-dependence, but use additional degrees of freedom. Importantly, less effective de-noising methods are also unable to identify modular network structure in the connectome. Taken together, these results emphasize the heterogeneous efficacy of existing methods, and suggest that different confound regression strategies may be appropriate in the context of specific scientific goals.

Despite decades of research, the pathophysiology of bipolar disorder (BD) is still not well understood. Structural brain differences have been associated with BD, but results from neuroimaging studies have been inconsistent. To address this, we performed the largest study to date of cortical gray matter thickness and surface area measures from brain magnetic resonance imaging scans of 6503 individuals including 1837 unrelated adults with BD and 2582 unrelated healthy controls for group differences while also examining the effects of commonly prescribed medications, age of illness onset, history of psychosis, mood state, age and sex differences on cortical regions. In BD, cortical gray matter was thinner in frontal, temporal and parietal regions of both brain hemispheres. BD had the strongest effects on left pars opercularis (Cohen’s d=−0.293; P=1.71 × 10−21), left fusiform gyrus (d=−0.288; P=8.25 × 10−21) and left rostral middle frontal cortex (d=−0.276; P=2.99 × 10−19). Longer duration of illness (after accounting for age at the time of scanning) was associated with reduced cortical thickness in frontal, medial parietal and occipital regions. We found that several commonly prescribed medications, including lithium, antiepileptic and antipsychotic treatment showed significant associations with cortical thickness and surface area, even after accounting for patients who received multiple medications. We found evidence of reduced cortical surface area associated with a history of psychosis but no associations with mood state at the time of scanning. Our analysis revealed previously undetected associations and provides an extensive analysis of potential confounding variables in neuroimaging studies of BD.

Considerable uncertainty exists about the defining brain changes associated with bipolar disorder (BD). Understanding and quantifying the sources of uncertainty can help generate novel clinical hypotheses about etiology and assist in the development of biomarkers for indexing disease progression and prognosis. Here we were interested in quantifying case–control differences in intracranial volume (ICV) and each of eight subcortical brain measures: nucleus accumbens, amygdala, caudate, hippocampus, globus pallidus, putamen, thalamus, lateral ventricles. In a large study of 1710 BD patients and 2594 healthy controls, we found consistent volumetric reductions in BD patients for mean hippocampus (Cohen’s d=−0.232; P=3.50 × 10−7) and thalamus (d=−0.148; P=4.27 × 10−3) and enlarged lateral ventricles (d=−0.260; P=3.93 × 10−5) in patients. No significant effect of age at illness onset was detected. Stratifying patients based on clinical subtype (BD type I or type II) revealed that BDI patients had significantly larger lateral ventricles and smaller hippocampus and amygdala than controls. However, when comparing BDI and BDII patients directly, we did not detect any significant differences in brain volume. This likely represents similar etiology between BD subtype classifications. Exploratory analyses revealed significantly larger thalamic volumes in patients taking lithium compared with patients not taking lithium. We detected no significant differences between BDII patients and controls in the largest such comparison to date. Findings in this study should be interpreted with caution and with careful consideration of the limitations inherent to meta-analyzed neuroimaging comparisons.

Neurobiological abnormalities associated with psychiatric disorders do not map well to existing diagnostic categories. High co-morbidity suggests dimensional circuit-level abnormalities that cross diagnoses. Here we seek to identify brain-based dimensions of psychopathology using sparse canonical correlation analysis in a sample of 663 youths. This analysis reveals correlated patterns of functional connectivity and psychiatric symptoms. We find that four dimensions of psychopathology - mood, psychosis, fear, and externalizing behavior - are associated (r = 0.68-0.71) with distinct patterns of connectivity. Loss of network segregation between the default mode network and executive networks emerges as a common feature across all dimensions. Connectivity linked to mood and psychosis becomes more prominent with development, and sex differences are present for connectivity related to mood and fear. Critically, findings largely replicate in an independent dataset (n = 336). These results delineate connectivity-guided dimensions of psychopathology that cross clinical diagnostic categories, which could serve as a foundation for developing network-based biomarkers in psychiatry.

Sex differences in human cognition are marked, but little is known regarding their neural origins. Here, in a sample of 674 human participants ages 9–22, we demonstrate that sex differences in cognitive profiles are related to multivariate patterns of resting-state functional connectivity MRI (rsfc-MRI). Males outperformed females on motor and spatial cognitive tasks; females were faster in tasks of emotion identification and nonverbal reasoning. Sex differences were also prominent in the rsfc-MRI data at multiple scales of analysis, with males displaying more between-module connectivity, while females demonstrated more within-module connectivity. Multivariate pattern analysis using support vector machines classified subject sex on the basis of their cognitive profile with 63% accuracy (P < 0.001), but was more accurate using functional connectivity data (71% accuracy; P < 0.001). Moreover, the degree to which a given participant's cognitive profile was “male” or “female” was significantly related to the masculinity or femininity of their pattern of brain connectivity (P = 2.3 × 10−7). This relationship was present even when considering males and female separately. Taken together, these results demonstrate for the first time that sex differences in patterns of cognition are in part represented on a neural level through divergent patterns of brain connectivity.

As medical imaging enters its information era and presents rapidly increasing needs for big data analytics, robust pooling and harmonization of imaging data across diverse cohorts with varying acquisition protocols have become critical. We describe a comprehensive effort that merges and harmonizes a large-scale dataset of 10,477 structural brain MRI scans from participants without a known neurological or psychiatric disorder from 18 different studies that represent geographic diversity. We use this dataset and multi-atlas-based image processing methods to obtain a hierarchical partition of the brain from larger anatomical regions to individual cortical and deep structures and derive age trends of brain structure through the lifespan (3–96 years old). Critically, we present and validate a methodology for harmonizing this pooled dataset in the presence of nonlinear age trends. We provide a web-based visualization interface to generate and present the resulting age trends, enabling future studies of brain structure to compare their data with this reference of brain development and aging, and to examine deviations from ranges, potentially related to disease.

Developmental structural neuroimaging studies in humans have long described decreases in gray matter volume (GMV) and cortical thickness (CT) during adolescence. Gray matter density (GMD), a measure often assumed to be highly related to volume, has not been systematically investigated in development. We used T1 imaging data collected on the Philadelphia Neurodevelopmental Cohort to study age-related effects and sex differences in four regional gray matter measures in 1189 youths ranging in age from 8 to 23 years. Custom T1 segmentation and a novel high-resolution gray matter parcellation were used to extract GMD, GMV, gray matter mass (GMM; defined as GMD × GMV), and CT from 1625 brain regions. Nonlinear models revealed that each modality exhibits unique age-related effects and sex differences. While GMV and CT generally decrease with age, GMD increases and shows the strongest age-related effects, while GMM shows a slight decline overall. Females have lower GMV but higher GMD than males throughout the brain. Our findings suggest that GMD is a prime phenotype for the assessment of brain development and likely cognition and that periadolescent gray matter loss may be less pronounced than previously thought. This work highlights the need for combined quantitative histological MRI studies. SIGNIFICANCE STATEMENT This study demonstrates that different MRI-derived gray matter measures show distinct age and sex effects and should not be considered equivalent but complementary. It is shown for the first time that gray matter density increases from childhood to young adulthood, in contrast with gray matter volume and cortical thickness, and that females, who are known to have lower gray matter volume than males, have higher density throughout the brain. A custom preprocessing pipeline and a novel high-resolution parcellation were created to analyze brain scans of 1189 youths collected as part of the Philadelphia Neurodevelopmental Cohort. A clear understanding of normal structural brain development is essential for the examination of brain–behavior relationships, the study of brain disease, and, ultimately, clinical applications of neuroimaging.