The Brain Imaging Data Structure (BIDS) is a standard for organizing and describing neuroimaging datasets, serving not only to facilitate the process of data sharing and aggregation, but also to simplify the application and development of new methods and software for working with neuroimaging data. Here, we present an extension of BIDS to include positron emission tomography (PET) data, also known as PET-BIDS, and share several open-access datasets curated following PET-BIDS along with tools for conversion, validation and analysis of PET-BIDS datasets.

Abstract The current state of label conventions used to describe brain networks related to executive functions is highly inconsistent, leading to confusion among researchers regarding network labels. Visually similar networks are referred to by different labels, yet these same labels are used to distinguish networks within studies. We performed a literature review of fMRI studies and identified nine frequently-used labels that are used to describe topographically or functionally similar neural networks: central executive network (CEN), cognitive control network (CCN), dorsal attention network (DAN), executive control network (ECN), executive network (EN), frontoparietal network (FPN), working memory network (WMN), task positive network (TPN), and ventral attention network (VAN). Our aim was to meta-analytically determine consistency of network topography within and across these labels. We hypothesized finding considerable overlap in the spatial topography among the neural networks associated with these labels. An image-based meta-analysis was performed on 158 group-level statistical maps (SPMs) received from authors of 69 papers listed on PubMed. Our results indicated that there was very little consistency in the SPMs labeled with a given network name. We identified four clusters of SPMs representing four spatially distinct executive function networks. We provide recommendations regarding label nomenclature and propose that authors looking to assign labels to executive function networks adopt this template set for labeling networks.

ABSTRACT The Brain Imaging Data Structure (BIDS) is a standard for organizing and describing neuroimaging datasets. It serves not only to facilitate the process of data sharing and aggregation, but also to simplify the application and development of new methods and software for working with neuroimaging data. Here, we present an extension of BIDS to include positron emission tomography (PET) data (PET-BIDS). We describe the PET-BIDS standard in detail and share several open-access datasets curated following PET-BIDS. Additionally, we highlight several tools which are already available for converting, validating and analyzing PET-BIDS datasets.

ABSTRACT Background The cue-reactivity paradigm is a widely adopted neuroimaging probe engendering brain activity linked with attentional, affective, and reward processes following presentation of appetitive stimuli. Given the multiple mental operations invoked, we sought to decompose cue-related brain activity into constituent components employing emergent meta-analytic techniques when considering drug and natural reward-related cues. Methods We conducted multiple coordinate-based meta-analyses delineating common and distinct brain activity convergence across cue-reactivity studies ( N =196 articles) involving drug ( n =133) or natural reward-related ( n =63) visual stimuli. Subsequently, we characterized the connectivity profiles of identified brain regions by using them as seeds in task-independent and task-dependent functional connectivity analyses. Using hierarchical clustering on these connectivity profiles, we grouped cue-related brain regions into subnetworks. Functional decoding was then employed to characterize mental operations linked with each subnetwork. Results Across all studies, pooled activity convergence was observed in the striatum, amygdala, thalamus, cingulate, insula, and multiple frontal, parietal, and occipital regions. Drug-distinct convergence (drug>natural) was observed notably in the posterior cingulate cortex (PCC), dorsolateral prefrontal cortex (dlPFC), and temporal and parietal regions, whereas distinct natural reward convergence (natural>drug) was observed in thalamic, insular, orbitofrontal, and occipital regions. Hierarchical clustering using each regions’ connectivity profiles identified six subnetworks, involving: 1) occipital and thalamic (lateral geniculate nucleus) regions functionally linked with early visual processing, 2) occipital-temporal regions associated with higher level visual association, 3) parietal-frontal regions linked with cognitive control mechanisms, 4) posterior and ventral insula as well as anterior cingulate cortex (ACC) functionally linked with salient event detection, 5) nucleus accumbens, PCC, precuneus, ACC, and thalamus (mediodorsal) associated with subjective valuation, and 6) bilateral amygdalae, orbitofrontal, and dorsal insula regions linked with affective processes. Conclusions These outcomes suggest multifaceted brain activity during the cue-reactivity paradigm can be decomposed into more elemental processes and indicate that while drugs of abuse usurp the brain’s natural reward processing system, some regions appear distinctly related to drug cue-reactivity (e.g., PCC, dlPFC).

In order to support efficient processing, data must be formatted according to standards that are prevalent in the field and widely supported among actively developed analysis tools.The Brain Imaging Data Structure (BIDS) (Gorgolewski et al., 2016) is an open standard designed for computational accessibility, operator legibility, and a wide and easily extendable scope of modalities -and is consequently used by numerous analysis and processing tools as the preferred input format in many fields of neuroscience.HeuDiConv (Heuristic DICOM Converter) enables flexible and efficient conversion of spatially reconstructed neuroimaging data from the DICOM format (quasi-ubiquitous in biomedical image acquisition systems, particularly in clinical settings) to BIDS, as well as other file layouts.HeuDiConv provides a multi-stage operator input workflow (discovery, manual tuning, conversion) where a manual tuning step is optional and the entire conversion can thus be seamlessly integrated into a data processing pipeline.HeuDiConv is written in Python, and supports the DICOM specification for input

We present an extension to the Brain Imaging Data Structure (BIDS) for motion data. Motion data is frequently recorded alongside human brain imaging and electrophysiological data. The goal of Motion-BIDS is to make motion data interoperable across different laboratories and with other data modalities in human brain and behavioral research. To this end, Motion-BIDS standardizes the data format and metadata structure. It describes how to document experimental details, considering the diversity of hardware and software systems for motion data. This promotes findable, accessible, interoperable, and reusable data sharing and Open Science in human motion research.

Abstract Functional neuroimaging is an essential tool for neuroscience research. Pre-processing pipelines produce standardized, minimally pre-processed data to support a range of potential analyses. However, post-processing is not similarly standardized. While several options for post-processing exist, they may not support output from different pre-processing pipelines, may have limited documentation, and may not follow generally accepted data organization standards (e.g., Brain Imaging Data Structure (BIDS)). In response, we present XCP-D: a collaborative effort between PennLINC at the University of Pennsylvania and the DCAN lab at the University of Minnesota. XCP-D uses an open development model on GitHub and incorporates continuous integration testing; it is distributed as a Docker container or Apptainer image. XCP-D generates denoised BOLD images and functional derivatives from resting-state data in either NIfTI or CIFTI files following pre-processing with fMRIPrep, HCP, or ABCD-BIDS pipelines. Even prior to its official release, XCP-D has been downloaded >5,000 times from DockerHub. Together, XCP-D facilitates robust, scalable, and reproducible post-processing of fMRI data.

Abstract Neuroscientists have sought to identify the underlying neural systems supporting social processing that allow interaction and communication, forming social relationships, and navigating the social world. Through the use of NIMH’s Research Domain Criteria (RDoC) framework, we evaluated consensus among studies that examined brain activity during social tasks to elucidate regions comprising the “social brain”. We examined convergence across tasks corresponding to the four RDoC social constructs, including Affiliation and Attachment, Social Communication, Perception and Understanding of Self, and Perception and Understanding of Others. We performed a series of coordinate-based meta-analyses using the activation likelihood estimate (ALE) method. Meta-analysis was performed on whole-brain coordinates reported from 864 fMRI contrasts using the NiMARE Python package, revealing convergence in medial prefrontal cortex, anterior cingulate cortex, posterior cingulate cortex, temporoparietal junction, bilateral insula, amygdala, fusiform gyrus, precuneus, and thalamus. Additionally, four separate RDoC-based meta-analyses revealed differential convergence associated with the four social constructs. These outcomes highlight the neural support underlying these social constructs and inform future research on alterations among neurotypical and atypical populations.

ABSTRACT Background Symptoms of borderline personality disorder (BPD) often manifest in adolescence, yet the underlying relationship between these debilitating symptoms and the development of functional brain networks is not well understood. Here we aimed to investigate how multivariate patterns of functional connectivity are associated with symptoms of BPD in a large sample of young adults and adolescents. Methods We used high-quality functional Magnetic Resonance Imaging (fMRI) data from young adults from the Human Connectome Project: Young Adults (HCP-YA; N = 870, ages 22-37 years, 457 female) and youth from the Human Connectome Project: Development (HCP-D; N = 223, age range 16-21 years, 121 female). A previously validated BPD proxy score was derived from the NEO Five Factor Inventory (NEO-FFI). A ridge regression model with 10-fold cross-validation and nested hyperparameter tuning was trained and tested in HCP-YA to predict BPD scores in unseen data from regional functional connectivity, while controlling for in-scanner motion, age, and sex. The trained model was further tested on data from HCP-D without further tuning. Finally, we tested how the connectivity patterns associated with BPD aligned with agerelated changes in connectivity. Results Multivariate functional connectivity patterns significantly predicted out-of-sample BPD proxy scores in unseen data in both young adults (HCP-YA; p perm = 0.001) and older adolescents (HCP-D; p perm = 0.001). Predictive capacity of regions was heterogeneous; the most predictive regions were found in functional systems relevant for emotion regulation and executive function, including the ventral attention network. Finally, regional functional connectivity patterns that predicted BPD proxy scores aligned with those associated with development in youth. Conclusion Individual differences in functional connectivity in developmentally-sensitive regions are associated with the symptoms of BPD.

Abstract Macroscale gradients have emerged as a central principle for understanding functional brain organization. Previous studies have demonstrated that a principal gradient of connectivity in the human brain exists, with unimodal primary sensorimotor regions situated at one end and transmodal regions associated with the default mode network and representative of abstract functioning at the other. The functional significance and interpretation of macroscale gradients remains a central topic of discussion in the neuroimaging community, with some studies demonstrating that gradients may be described using meta-analytic functional decoding techniques. However, additional methodological development is necessary to fully leverage available meta-analytic methods and resources and quantitatively evaluate their relative performance. Here, we conducted a comprehensive series of analyses to investigate and improve the framework of data-driven, meta-analytic methods, thereby establishing a principled approach for gradient segmentation and functional decoding. We found that a two-segment solution determined by a k-means segmentation approach and an LDA-based meta-analysis combined with the NeuroQuery database was the optimal combination of methods for decoding functional connectivity gradients. Finally, we proposed a method for decoding additional components of the gradient decomposition. The current work aims to provide recommendations on best practices and flexible methods for gradient-based functional decoding of fMRI data.