Abstract Enlarged perivascular spaces (PVS) are considered a biomarker for vascular pathology and are observed in normal aging and neurological conditions; however, research on the role of PVS in health and disease are hindered by the lack of knowledge regarding the normative time course of PVS alterations with age. To this end, we characterized the influence of age, sex and cognitive performance on PVS anatomical characteristics in a large cross-sectional cohort (∼1400) of healthy subjects between 8 and 90 years of age using multimodal structural MRI data. Our results show age is associated with wider and more numerous MRI-visible PVS over the course of the lifetime with spatially-varying patterns of PVS enlargement trajectories. In particular, regions with low PVS volume fraction in childhood are associated with rapid age-related PVS enlargement (e.g., temporal regions), while regions with high PVS volume fraction in childhood are associated with minimal age-related PVS alterations (e.g., limbic regions). PVS burden was significantly elevated in males compared to females with differing morphological time courses with age. Together, these findings contribute to our understanding of perivascular physiology across the healthy lifespan and provide a normative reference for the spatial distribution of PVS enlargement patterns to which pathological alterations can be compared.

Abstract Diffusion tensor imaging (DTI) has been extensively used to map changes in brain tissue related to neurological disorders. Among the most widespread DTI findings are increased mean diffusivity and decreased fractional anisotropy of white matter tissue in neurodegenerative diseases. Here we utilize multi-shell diffusion imaging to separate diffusion signal of the brain parenchyma from fluid within the white matter. We show that unincorporated anisotropic water in perivascular space (PVS) significantly, and systematically, biases DTI measures, casting new light on the biological validity of many previously reported findings. Despite the challenge this poses for interpreting these past findings, our results suggest that multi-shell diffusion MRI provides a new opportunity for incorporating the PVS contribution, ultimately strengthening the clinical and scientific value of diffusion MRI. Highlights Perivascular space (PVS) fluid significantly contributes to diffusion tensor imaging metrics Increased PVS fluid results in increased mean diffusivity and decreased fractional anisotropy PVS contribution to diffusion signal is overlooked and demands further investigation

Abstract We present NiftyTorch a Deep Learning Framework for NeuroImaging. The motivation behind the development of such a library is that there are scant amount of centralized tool for deploying 3D deep learning for NeuroImaging. In addition, most of the existing tools require expert technical knowledge in Deep Learning or programming, creating a barrier for entry. The goal is to provide a one stop package using which the users can perform classification tasks, Segmentation tasks and Image Transformation tasks. The intended audience are the members of NeuroImaging who would like to explore deep learning but have no background in coding. In this article we explore the capabilities of the framework, the performance of the framework and the future work for the framework.

Pathologic perivascular spaces (PVS), the fluid-filled compartments surrounding brain vasculature, may underlie cognitive decline in Parkinson's disease (PD). However, whether this impacts specific cognitive domains has not been investigated.

Efficiently and objectively analyzing the complex, diverse multimodal data collected from patients at risk for dementia can be difficult in the clinical setting, contributing to high rates of underdiagnosis or misdiagnosis of this serious disorder. Patients with mild cognitive impairment (MCI) are especially at risk of developing dementia in the future. This study evaluated the ability of multi-modal machine learning (ML) methods, especially the Ensemble Integration (EI) framework, to predict future dementia development among patients with MCI. EI is a machine learning framework designed to leverage complementarity and consensus in multimodal data, which may not be adequately captured by methods used by prior dementia-related prediction studies. We tested EI's ability to predict future dementia development among MCI patients using multimodal clinical and imaging data, such as neuroanatomical measurements from structural magnetic resonance imaging (MRI) and positron emission tomography (PET) scans, from The Alzheimer's Disease Prediction of Longitudinal Evolution (TADPOLE) challenge. For predicting future dementia development among MCI patients, on a held out test set, the EI-based model performed better (AUC = 0.81, F-measure = 0.68) than the more commonly used XGBoost (AUC = 0.68, F-measure = 0.57) and deep learning (AUC = 0.79, F-measure = 0.61) approaches. This EI-based model also suggested MRI-derived volumes of regions in the middle temporal gyrus, posterior cingulate gyrus and inferior lateral ventricle brain regions to be predictive of progression to dementia.

The importance of spatiotemporal feature selection in fMRI decoding studies has not been studied exhaustively. Temporal embedding of features allows the incorporation of brain activity dynamics into multivariate pattern classification, and may provide enriched information about stimulus-specific response patterns and potentially improve prediction accuracy. This study investigates the possibility of enhancing the classification performance by exploring spatial and temporal (spatiotemporal) domain, to identify the optimum combination of the spatiotemporal features based on the classification performance. We investigated the importance of spatiotemporal feature selection using a slow event-related design adapted from the classic Haxby et al. (2001) study. Data were collected using a multiband fMRI sequence with temporal resolution of 0.568 seconds. A wide range of spatiotemporal observations was created as various combinations of spatiotemporal features. Using both random forest, and support vector machine, classifiers, prediction accuracies for these combinations were then compared with the single time-point spatial multivariate pattern approach that uses only a single temporal observation. The results showed that on average spatiotemporal feature selection improved prediction accuracy. Moreover, the random forest algorithm outperformed the support vector machine and benefitted from temporal information to a greater extent. As expected, the most influential temporal durations were found to be around the peak of the hemodynamic response function, a few seconds after the stimuli onset until ~4 seconds after the peak of the hemodynamic response function. The superiority of spatiotemporal feature selection over single time-point spatial approaches invites future work to design systematic and optimal approaches to the incorporation of spatiotemporal dependencies into feature selection for decoding.

Adolescent neuroimaging studies of sex differences in the human brain predominantly examine mean differences between males and females. This focus on between-groups differences without probing relative distributions and similarities may contribute to both conflation and overestimation of sex differences and sexual dimorphism in the developing human brain. We aimed to characterize the variance in brain macro- and micro-structure in early adolescence as it pertains to sex at birth using a large sample of 9-11 year-olds from the Adolescent Brain Cognitive Development (ABCD) Study (N=7,723). Specifically, for global and regional estimates of gray and white matter volume, cortical thickness, and white matter microstructure (i.e., fractional anisotropy and mean diffusivity), we examined: within- and between-sex variance, overlap between male and female distributions, inhomogeneity of variance via the Fligner-Killeen test, and an analysis of similarities (ANOSIM). For completeness, we examined these sex differences using both uncorrected (raw) brain estimates and residualized brain estimates after using mixed-effects modeling to account for age, pubertal development, socioeconomic status, race, ethnicity, MRI scanner manufacturer, and total brain volume, where applicable. The overlap between male and female distributions was universally greater than the difference (overlap coefficient range: 0.585 - 0.985) and the ratio of within-sex and between-sex differences was similar (ANOSIM R range: -0.001 - 0.117). All cortical and subcortical volumes showed significant inhomogeneity of variance, whereas a minority of brain regions showed significant sex differences in variance for cortical thickness, white matter volume, fractional anisotropy, and mean diffusivity. Inhomogeneity of variance was reduced after accounting for other sources of variance. Overlap coefficients were larger and ANOSIM R values were smaller for residualized outcomes, indicating greater within- and smaller between-sex differences once accounting for other covariates. Reported sex differences in early adolescent human brain structure may be driven by disparities in variance, rather than binary, sex-based phenotypes. Contrary to the popular view of the brain as sexually dimorphic, we found more similarity than difference between sexes in all global and regional measurements of brain structure examined. This study builds upon previous findings illustrating the importance of considering variance when examining sex differences in brain structure.

Motivation: Perivascular spaces (PVS) play a critical role in fluid transfer and waste clearance in the brain, but few studies have explored how alterations to perivascular fluid flow may impact brain maturation and behaviorGoal(s): This study aims to characterize age-related alterations to perivascular and parenchymal fluid flow characteristics in typically developing children and assess their contribution to cognition. Approach: We employ multi-compartment diffusion models to quantify free water diffusion characteristics within automatically defined perivascular spaces using enhanced PVS contrasts. Results: Our findings show free water diffusion characteristics within the PVS and surrounding parenchyma are associated with age and cognitive scores. Impact: Our findings suggest alterations to perivascular space function may occur as early as childhood. Variations in perivascular and parenchymal fluid properties may be predictive of cognitive outcomes in adolescents, thus underscoring the importance of waste clearance functionality on brain health.

Abstract Perivascular spaces (PVS) are fluid-filled spaces surrounding the brain vasculature. Literature suggests that PVS may play a significant role in aging and neurological disorders, including Alzheimer’s disease (AD). Cortisol, a stress hormone, has been implicated in the development and progression of AD. Hypertension, a common condition in older adults, has been found to be a risk factor for AD. Hypertension may contribute to PVS enlargement, impairing the clearance of waste products from the brain and promoting neuroinflammation. This study aims to understand the potential interactions between PVS, cortisol, hypertension, and inflammation in the context of cognitive impairment. Using MRI scans acquired at 1.5T, PVS were quantified in a cohort of 465 individuals with cognitive impairment. PVS was calculated in the basal ganglia and centrum semiovale using an automated segmentation approach. Levels of cortisol and angiotensin-converting enzyme (ACE) (an indicator of hypertension) were measured from plasma. Inflammatory biomarkers, such as cytokines and matrix metalloproteinases, were analyzed using advanced laboratory techniques. Main effect and interaction analyses were performed to examine the associations between PVS severity, cortisol levels, hypertension, and inflammatory biomarkers. In the centrum semiovale, higher levels of inflammation reduced cortisol associations with PVS volume fraction. For ACE, an inverse association with PVS was seen only when interacting with TNFr2 (a transmembrane receptor of TNF). There was also a significant inverse main effect of TNFr2. In the PVS basal ganglia, a significant positive association was found with TRAIL (a TNF receptor inducing apoptosis). These findings show for the first time the intricate relationships between PVS structure and the levels of stress-related, hypertension, and inflammatory biomarkers. This research could potentially guide future studies regarding the underlying mechanisms of AD pathogenesis and the potential development of novel therapeutic strategies targeting these inflammation factors.

Motivation: Perivascular space (PVS) is a pial-lined, fluid-filled structure that accompany penetrating arteries or draining veins from the cerebral cortex. PVS occupies a large portion of the cerebral tissue. The effect of PVS on the brain's functional connectivity has not yet been fully investigated. Goal(s): In particular, our goal was to determine the link between PVS, sleep and brain functional connectivity. Approach: We utilized the structural MRI and rs-fMRI data from the HCP-Aging dataset. Results: Results demonstrated that BG-PVS volume fraction was positively associated with FC of the right anterior medial temporal gyrus and a cluster in temporal regions. Impact: These findings suggest that PVS morphology may reflect changes in neural connectivity involved in memory-related processing and open a new PVS research field (structure to function) for investigation.