Abstract High-resolution fMRI in the sub-millimeter regime allows researchers to resolve brain activity across cortical layers and columns non-invasively. While these high-resolution data make it possible to address novel questions of directional information flow within and across brain circuits, the corresponding data analyses are challenged by MRI artifacts, including image blurring, image distortions, low SNR, and restricted coverage. These challenges often result in insufficient spatial accuracy of conventional analysis pipelines. Here we introduce a new software suite that is specifically designed for layer-specific functional MRI: LayNii. This toolbox is a collection of command-line executable programs written in C/C++ and is distributed open-source and as pre-compiled binaries for Linux, Windows, and macOS. LayNii is designed for layer-fMRI data that suffer from SNR and coverage constraints and thus cannot be straightforwardly analyzed in alternative software packages. Some of the most popular programs of LayNii contain ‘layerification’ and columnarization in the native voxel space of functional data as well as many other layer-fMRI specific analysis tasks: layer-specific smoothing, model-based vein mitigation of GE-BOLD data, quality assessment of artifact dominated sub-millimeter fMRI, as well as analyses of VASO data. Highlights A new software toolbox is introduced for layer-specific functional MRI: LayNii. LayNii is a suite of command-line executable C++ programs for Linux, Windows, and macOS. LayNii is designed for layer-fMRI data that suffer from SNR and coverage constraints. LayNii performs layerification in the native voxel space of functional data. LayNii performs layer-smoothing, GE-BOLD deveining, QA, and VASO analysis. Abstract Figure Graphical abstract

Abstract Human ventral temporal cortex (VTC) is a cortical expanse that performs different functions and computations, but is especially critical for visual categorization. Nevertheless, accumulating evidence shows that category-selective regions persist in VTC in the absence of visual experience – for example, in congenitally blind (CB) participants. Despite this evidence, a large body of previous work comparing functional representations in VTC between sighted and CB participants performed univariate analyses at the group level, which assume a homogeneous population – an assumption that has not been formally tested until the present study. Specifically, using fMRI in CB and sighted participants (male and female), we empirically show that at the group level, distributed category representations in VTC are more reliable in the sighted (when viewing visual stimuli) compared to the CB (when hearing auditorily-substituted visual stimuli). Despite these group differences, there is extensive heterogeneity in VTC category representations in the CB to the point that VTC category representations in a subset of CB participants (some who were born without eyes, but not all) are more similar to sighted individuals compared to other CB participants. Together, our findings support a novel idea that driving factors contributing to the formation of VTC category representations in the blind are subject-specific, which complements factors that may generalize across group members. More broadly, the present findings caution conclusions of homogeneity across subjects within a group when performing group neuroimaging analyses without explicitly quantifying individual differences.

In recent years, the use of multivariate cross-classification (MVCC) has grown in popularity as a way to test for the consistency of information in neural patterns of activation across cognitive states. In this approach, a classification algorithm is trained on dataset A and then tested on a different dataset B in order to test for commonalities in the information representation in both datasets. Interestingly, several papers report an asymmetry in the generalization direction: training on A and testing on B returns significantly better decoding results than training on B and testing on A. Whereas several neurocognitive hypotheses have been put forward as an explanation for this phenomenon, none of them has been demonstrated directly. Through simple simulations, we show that asymmetry can arise as soon as two datasets with identical ground truths have a different signal-to-noise ratio (SNR): generalization is best from the lower SNR to the higher SNR dataset. The extent of the asymmetry is further modulated by the overlap in informative voxels and whether the two datasets have an equal number of informative voxels. These findings demonstrate that the observation of decoding direction asymmetry in MVCC can be explained by simple SNR differences and not necessarily implies complex neurocognitive mechanisms.

Ventral visual cortex can be divided into a variety of retinotopically as well as category-specific regions. These brain areas have been the focus of a large body of functional MRI research, significantly expanding our understanding of high-level visual processing. As studying these regions requires accurate localization of their cortical location, it is usually necessary to perform functional localizer runs on an individual subject level. These runs are costly in terms of scanning time and a participant’s capacity level. Moreover, certain patient populations are unable to undergo such localizers, for instance the congenitally blind. In the current paper, we aimed to overcome these challenges by developing a functional atlas based on localizer- and visual field mapping data acquired in 20 healthy subjects. Single subject functional maps were aligned to both volume and surface group space, after which a probabilistic functional group atlas was created. We subsequently quantified the inter-subject variability of category-selective regions in visual cortex and the specificity of each atlas region – to our knowledge the first such analyses. Additionally, we validated our atlas against existing atlases of retinotopic as well as category-specific regions. The resulting functional atlas is made publicly available for a variety of software packages ([download.brainvoyager.com/data/visfAtlas.zip][1]). [1]: https://download.brainvoyager.com/data/visfAtlas.zip