The central premise of attachment theory is that the security of the early child-parent bond is reflected in the child's interpersonal relationships across the life span. This meta-analysis was based on 63 studies that reported correlations between child-parent attachment and children's peer relations. The overall effect size (ES) for child-mother attachment was in the small-to-moderate range and was quite homogeneous. ESs were similar in studies that featured the Strange Situation and Q-sort methods. The effects were larger for peer relations in middle childhood and adolescence than for peer relations in early childhood. ESs were also higher for studies that focused on children's close friendships rather than on relations with other peers. Gender and cultural differences in ESs were minimal. The results for the few studies on father-child attachment were inconclusive.

Research in the macaque monkey suggests that cortical areas with similar microstructure are more likely to be connected. Here, we examine this link in the human cerebral cortex using 2 magnetic resonance imaging (MRI) measures: quantitative T1 maps, which are sensitive to intracortical myelin content and provide an in vivo proxy for cortical microstructure, and resting-state functional connectivity. Using ultrahigh-resolution MRI at 7 T and dedicated image processing tools, we demonstrate a systematic relationship between T1-based intracortical myelin content and functional connectivity. This effect is independent of the proximity of areas. We employ nonlinear dimensionality reduction to characterize connectivity components and identify specific aspects of functional connectivity that are linked to myelin content. Our results reveal a consistent spatial pattern throughout different analytic approaches. While functional connectivity and myelin content are closely linked in unimodal areas, the correspondence is lower in transmodal areas, especially in posteromedial cortex and the angular gyrus. Our findings are in agreement with comprehensive reports linking histologically assessed microstructure and connectivity in different mammalian species and extend them to the human cerebral cortex in vivo.

Purpose There are many T 1 mapping methods available, each of them validated in phantoms and reporting excellent agreement with literature. However, values in literature vary greatly, with T 1 in white matter ranging from 690 to 1100 ms at 3 Tesla. This brings into question the accuracy of one of the most fundamental measurements in quantitative MRI. Our goal was to explain these variations and look into ways of mitigating them. Theory and Methods We evaluated the three most common T 1 mapping methods (inversion recovery, Look‐Locker, and variable flip angle) through Bloch simulations, a white matter phantom and the brains of 10 healthy subjects (single‐slice). We pooled the T 1 histograms of the subjects to determine whether there is a sequence‐dependent bias and whether it is reproducible across subjects. Results We found good agreement between the three methods in phantoms, but poor agreement in vivo, with the white matter T 1 histogram peak in healthy subjects varying by more than 30% depending on the method used. We also found that the pooled brain histograms displayed three distinct white matter peaks, with Look‐Locker consistently underestimating, and variable flip angle overestimating the inversion recovery T 1 values. The Bloch simulations indicated that incomplete spoiling and inaccurate B 1 mapping could account for the observed differences. Conclusion We conclude that the three most common T 1 mapping protocols produce stable T 1 values in phantoms, but not in vivo. To improve the accuracy of T 1 mapping, we recommend that sites perform in vivo validation of their T 1 mapping method against the inversion recovery reference method, as the first step toward developing a robust calibration scheme. Magn Reson Med 73:514–522, 2015. © 2014 Wiley Periodicals, Inc.

A bstract Multimodal magnetic resonance imaging (MRI) has accelerated human neuroscience by fostering the analysis of brain structure, function, and connectivity across multiple scales and in living brains. The richness and complexity of multimodal neuroimaging, however, demands processing methods to integrate information across modalities and different spatial scales. Here, we present micapipe , an open processing pipeline for BIDS-conform multimodal MRI datasets. micapipe can generate i) structural connectomes derived from diffusion tractography, ii) functional connectomes derived from resting-state signal correlations, iii) geodesic distance matrices that quantify cortico-cortical proximity, and iv) microstructural profile covariance matrices that assess inter-regional similarity in cortical myelin proxies. These matrices are routinely generated across established 18 cortical parcellations (100-1000 parcels), in addition to subcortical and cerebellar parcellations. Results are represented on three different surface spaces (native, conte69, fsaverage5), and outputs are BIDS-conform. Processed outputs can be quality controlled at the individual and group level. micapipe was tested on several datasets and is available at https://github.com/MICA-MNI/micapipe , documented at https://micapipe.readthedocs.io/ , and containerized as a BIDS App http://bids-apps.neuroimaging.io/apps/ . We hope that micapipe will foster robust and integrative studies of human brain microstructure, morphology, and connectivity.

Abstract Many magnetic resonance imaging (MRI) indices are being studied longitudinally to explore topics such as biomarker detection and clinical staging. A pertinent concern to longitudinal work is MRI scanner upgrades. When upgrades occur during the course of a longitudinal MRI neuroimaging investigation, there may be an impact on the compatibility of pre- and post-upgrade measures. Similarly, subject motion is another issue that may be detrimental to longitudinal MRI work; however, embedding volumetric navigators (vNavs) within acquisition sequences has emerged as a technique that allows for prospective motion correction. Our research group recently implemented an upgrade from a Siemens MAGNETOM 3T Trio system to a Siemens MAGNETOM 3T Prisma Fit system. The goals of the current work were to: 1) investigate the impact of this upgrade on commonly used structural imaging measures and proton magnetic resonance spectroscopy indices (“Prisma Upgrade protocol”) and 2) examine structural imaging measures in a sequence with vNavs alongside a standard acquisition sequence (“vNav protocol”). In both protocols, while high reliability was observed for most of the investigated MRI outputs, suboptimal reliability was observed for certain indices. Across the scanner upgrade, increases in frontal, temporal, and cingulate cortical thickness (CT) and thalamus volume, along with decreases in parietal CT, amygdala, globus pallidus, hippocampus, and striatum volumes were observed across the Prisma upgrade, and were linked to increases in signal-to-noise ratios. No significant impact of the upgrade was found in 1 H-MRS analyses. Further, CT estimates were found to be larger in MPRAGE acquisitions compared to vNav-MPRAGE acquisitions mainly within temporal areas, while the opposite was found mostly in parietal brain regions. The results from this work should be considered in longitudinal study designs and comparable prospective motion correction investigations are warranted in cases of marked head movement.

Abstract White matter hyperintensities (WMHs) are clinically significant MRI abnormalities often detected in the elderly and early stages of Alzheimer’s Disease. They are indicative of vascular pathology but represent a mixture of microstructural tissue alterations that is highly variable between individuals. To better understand these alterations, we leveraged the signal of different MRI contrasts sampled within WMHs, which have differential sensitivity to microstructural properties. Subsequently, we sought to examine the asso of these WMH signal measures to clinically-relevant measures such as cortical and global brain atrophy, cognitive function, diagnostic and demographic differences, and Alzheimer’s Disease-relevant cardiovascular risk factors. Our sample of 118 subjects was composed of healthy controls ( n =30), high-risk of Alzheimer’s Disease due to familial history ( n =47), mild cognitive impairment ( n =32), and clinical Alzheimer’s Disease ( n =9) as a means of ascertaining a spectrum of impairment. We sampled the median signal within WMHs on weighted MRI images that are commonly acquired (T1-weighted [T1w], T2-weighted [T2w], T1w/T2w ratio, Fluid-Attenuated Inversion Recovery [FLAIR]), and the relaxation times from quantitative T1 (qT1) and T2* (qT2*) images. Main analyses were performed with a periventricular/deep/superficial white matter parcellation and were repeated with a lobar white matter parcellation. We demonstrated that the correlations between WMH signal measures were variable, suggesting that they are likely influenced by different microstructural properties. We observed that the WMH qT2* and FLAIR measures displayed different age- and disease-related trends compared to normal-appearing white matter, highlighting sensitivity to WMH-specific tissue deterioration. Further, WMH qT2* particularly in periventricular and occipital white matter regions was consistently associated with several of our clinical variables of interest using both parcellation schemes in univariate analyses, and further showed high contributions to a pattern of brain variables that was associated with age and cognitive variables in multivariate Partial Least Squares Correlation analyses. qT1 and FLAIR measures showed consistent clinical relationships in multivariate analyses only, while T1w, T2w, and T1w/T2w ratio measures were not consistently associated with clinical variables. We observed that the qT2* signal was sensitive to clinically-relevant microstructural tissue alterations specific to WMHs. Combining volumetric and signal measures of WMH, particularly qT2* and to a lesser extent qT1 and FLAIR, should be considered to more precisely characterize the severity of WMHs in vivo. These findings may have implications in determining the reversibility of WMHs and potential efficacy of cardio- and cerebrovascular treatments.

Abstract The hippocampus has been extensively studied in various neuropsychiatric disorders throughout the lifespan. However, inconsistent results have been reported with respect to which subfield volumes are most related to age. Here, we investigate whether these discrepancies may be explained by experimental design differences that exist between studies. Multiple datasets were used to collect 1690 magnetic resonance scans from healthy individuals aged 18-95 years old. Standard T1-weighted (T1w; MPRAGE sequence, 1 mm 3 voxels), high-resolution T2-weighted (T2w; SPACE sequence, 0.64 mm 3 voxels) and slab T2-weighted (Slab; 2D turbo spin echo, 0.4 x 0.4 x 2 mm 3 voxels) images were acquired. The MAGeT Brain algorithm was used for segmentation of the hippocampal grey matter (GM) subfields and peri-hippocampal white matter (WM) subregions. Linear mixed-effect models and Akaike information criterion were used to examine linear, second or third order natural splines relationship between hippocampal volumes and age. We demonstrated that stratum radiatum/lacunosum/moleculare and fornix subregions expressed the highest relative volumetric decrease, while the cornus ammonis 1 presented a relative volumetric preservation of its volume with age. We also found that volumes extracted from slab images were often underestimated and demonstrated different age-related relationships compared to volumes extracted from T1w and T2w images. The current work suggests that although T1w, T2w and slab derived subfield volumetric outputs are largely homologous, modality choice plays a meaningful role in the volumetric estimation of the hippocampal subfields.

Abstract The study of the hippocampus across the healthy adult lifespan has rendered inconsistent findings. While volumetric measurements have often been a popular technique for analysis, more advanced morphometric techniques have demonstrated compelling results that highlight the importance and improved specificity of shape-based measures. Here, the MAGeT Brain algorithm was applied on 134 healthy individuals aged 18-81 years old to extract hippocampal subfield volumes and hippocampal shape measurements, notably: local surface area (SA) and displacement. We used linear, second or third order natural splines to examine the relationships between hippocampal measures and age. In addition, partial least squares analyses were performed to relate measurements with cognitive and demographic information. Volumetric results indicated a relative preservation of the right cornus ammonis 1 with age and a global volume reduction linked with older age, female sex, lower levels of education and cognitive performance. Vertex-wise analysis demonstrated an SA preservation in the anterior hippocampus with a peak during the sixth decade, while the posterior hippocampal SA gradually decreased across lifespan. Overall, SA decrease was linked to older age, female sex and, to a lesser extent lower levels of education and cognitive performance. Outward displacement in the lateral hippocampus and inward displacement in the medial hippocampus were enlarged with older age, lower levels of cognition and education, indicating an accentuation of the hippocampal “C” shape with age. Taken together, our findings suggest that vertex-wise analyses have higher spatial specifity and that sex, education and cognition are implicated in the differential impact of age on hippocampal subregions throughout its antero-posterior and medial-lateral axes.

ABSTRACT A central goal in neuroscience is the development of a comprehensive mapping between structural and functional brain features. Computational models support in vivo investigation of the mechanisms mediating this relationship but currently lack the requisite biological detail. Here, we characterize human structural brain networks weighted by multiple white matter microstructural features to assess their potential joint utilization in computational models. We report edge-weight-dependent spatial distributions, variance, small-worldness, rich club, hubs, as well as relationships with function, edge length and myelin. Contrasting networks weighted by the total intra-axonal cross-sectional area and myelin content of white matter tracts, we find opposite relationships with functional connectivity, an edge-length-independent inverse relationship with each other, and the lack of a canonical rich club in myelin-weighted networks. When controlling for edge length, tractometry-derived networks weighted by either tensor-based metrics or neurite density show no relationship with whole-brain functional connectivity. We conclude that structure-function brain models are likely to be improved by the co-utilization of structural networks weighted by total intra-axonal cross-sectional area and myelin content. We anticipate that the proposed microstructure-weighted computational modeling approach will support mechanistic understanding of the structure-function relationship of the human brain. AUTHOR SUMMARY For computational network models to provide mechanistic links between brain structure and function, they must be informed by networks in which edge weights quantify structural features relevant to brain function. Here, we characterized several weighted structural networks capturing multiscale features of white matter connectivity. We describe these networks in terms of edge weight distribution, variance and network topology, as well as their relationships with each other, edge length and function. Overall, these findings support the joint use of structural networks weighted by the total intra-axonal cross-sectional area and myelin content of white matter tracts in structure-function models. This thorough characterization serves as a benchmark for future investigations of weighted structural brain networks.

Abstract In motor learning, sequence-specificity, i.e. the learning of specific sequential associations, has predominantly been studied using task-based fMRI paradigms. However, offline changes in resting state functional connectivity after sequence-specific motor learning are less well understood. Previous research has established that plastic changes following motor learning can be divided into stages including fast learning, slow learning and retention. A description of how resting state functional connectivity after sequence-specific motor sequence learning (MSL) develops across these stages is missing. This study aimed to identify plastic alterations in whole-brain functional connectivity after learning a complex motor sequence by contrasting an active group who learned a complex sequence with a control group who performed a control task matched for motor execution. Resting state fMRI and behavioural performance were collected in both groups over the course of 5 consecutive training days and at follow-up after 12 days to encompass fast learning, slow learning, overall learning and retention. Between-group interaction analyses showed sequence-specific decreases in functional connectivity during overall learning in the right supplementary motor area (SMA). We found that connectivity changes in key regions of the motor network including the superior parietal cortex (SPC) and primary motor cortex (M1) were not a result of sequence-specific learning but were instead linked to motor execution. Our study confirms the sequence-specific role of SMAthat has previously been identified in online task-based learning studies, and extends it to resting state network changes after sequence-specific MSL.