ABSTRACT Diffusion-weighted magnetic resonance imaging (dMRI) has become the primary method for non-invasively studying the organization of white matter in the human brain. While many dMRI acquisition sequences have been developed, they all sample q-space in order to characterize water diffusion. Numerous software platforms have been developed for processing dMRI data, but most work on only a subset of sampling schemes or implement only parts of the processing workflow. Reproducible research and comparisons across dMRI methods are hindered by incompatible software, diverse file formats, and inconsistent naming conventions. Here we introduce QSIPrep, an integrative software platform for the processing of diffusion images that is compatible with nearly all dMRI sampling schemes. Drawing upon a diverse set of software suites to capitalize upon their complementary strengths, QSIPrep automatically applies best practices for dMRI preprocessing, including denoising, distortion correction, head motion correction, coregistration, and spatial normalization. Throughout, QSIPrep provides both visual and quantitative measures of data quality as well as “glass-box” methods reporting. Taken together, these features facilitate easy implementation of best practices for processing of diffusion images while simultaneously ensuring reproducibility.

Brain stimulation is used clinically to treat a variety of neurological and psychiatric conditions. The mechanisms of the clinical effects of these brain-based therapies are presumably dependent on their effects on brain networks. It has been hypothesized that using individualized brain network maps is an optimal strategy for defining network boundaries and topologies. Traditional non-invasive imaging can determine correlations between structural or functional time series. However, they cannot easily establish hierarchies in communication flow as done in non-human animals using invasive methods. In the present study, we interleaved functional MRI recordings with non-invasive transcranial magnetic stimulation in the attempt to map causal communication between the prefrontal cortex and two subcortical structures thought to contribute to affective dysregulation: the subgenual anterior cingulate cortex (sgACC) and the amygdala. In both cases, we found evidence that these brain areas were engaged when TMS was applied to prefrontal sites determined from each participant's previous fMRI scan. Specifically, after transforming individual participant images to within-scan quantiles of evoked TMS response, we modeled the average quantile response within a given region across stimulation sites and individuals to demonstrate that the targets were differentially influenced by TMS. Furthermore, we found that the sgACC distributed brain network, estimated in a separate cohort, was engaged in response to sgACC focused TMS and was partially separable from the proximal default mode network response. The amygdala, but not its distributed network, responded to TMS. Our findings indicate that individual targeting and brain response measurements usefully capture causal circuit mapping to the sgACC and amygdala in humans, setting the stage for approaches to non-invasively modulate subcortical nodes of distributed brain networks in clinical interventions and mechanistic human neuroscience studies.

ABSTRACT Correcting head motion artifacts in diffusion-weighted MRI (dMRI) scans is particularly challenging due to the dramatic changes in image contrast at different gradient strengths and directions. Head motion correction is typically performed using a Gaussian Process model implemented in FSL’s Eddy. Recently, the 3dSHORE-based SHORELine method was introduced to correct any dMRI sequence that has more than one shell. Here we perform a comprehensive evaluation of both methods on realistic simulations of a software fiber phantom that provides known ground-truth head motion. We demonstrate that both methods perform remarkably well, but that performance can be impacted by sampling scheme, the pervasiveness of head motion, and the denoising strategy applied before head motion correction. Our study also provides an open and fully-reproducible workflow that could be used to accelerate evaluation studies of other dMRI processing methods in the future. HIGHLIGHTS Both Eddy and SHORELine head motion correction methods performed quite well on a large variety of simulated data Denoising with MP-PCA can improve head motion correction performance when Eddy is used SHORELine effectively corrects motion in non-shelled acquisitions

Abstract The amygdala processes valenced stimuli, influences affective states, and exhibits aberrant activity across anxiety disorders, depression, and PTSD. Interventions that modulate amygdala activity hold promise for treating transdiagnostic affective symptoms. We investigated ( N =45) whether transcranial magnetic stimulation (TMS) elicits indirect changes in amygdala activity when applied to ventrolateral prefrontal cortex (vlPFC), a region important for affect regulation. Harnessing in-scanner interleaved TMS/functional MRI (fMRI), we reveal that vlPFC neurostimulation evoked acute, dose-dependent modulations of amygdala fMRI BOLD signal. Larger TMS-evoked changes in amygdala fMRI signal were associated with higher fiber density in a vlPFC-amygdala white matter pathway, suggesting this pathway facilitated stimulation-induced communication between cortex and subcortex. This work provides evidence of amygdala engagement by TMS, highlighting stimulation of vlPFC-amygdala circuits as a candidate treatment for affective psychopathology. More broadly, it indicates that targeting cortical-subcortical connections may enhance the impact of TMS on subcortical neural activity and, by extension, subcortex-subserved behaviors. Teaser Individualized, connectivity-guided transcranial magnetic stimulation modulates the amygdala, demonstrating therapeutic potential.

Abstract Electric fields (E-fields) induced by transcranial magnetic stimulation (TMS) can be modeled using partial differential equations (PDEs). Using state-of-the-art finite-element methods (FEM), it often takes tens of seconds to solve the PDEs for computing a high-resolution E-field, hampering the wide application of the E-field modeling in practice and research. To improve the E-field modeling’s computational efficiency, we developed a self-supervised deep learning (DL) method to compute precise TMS E-fields. Given a head model and the primary E-field generated by TMS coils, a DL model was built to generate a E-field by minimizing a loss function that measures how well the generated E-field fits the governing PDE. The DL model was trained in a self-supervised manner, which does not require any external supervision. We evaluated the DL model using both a simulated sphere head model and realistic head models of 125 individuals and compared the accuracy and computational speed of the DL model with a state-of-the-art FEM. In realistic head models, the DL model obtained accurate E-fields that were significantly correlated with the FEM solutions. The DL model could obtain precise E-fields within seconds for whole head models at a high spatial resolution, faster than the FEM. The DL model built for the simulated sphere head model also obtained an accurate E-field whose average difference from the analytical E-fields was 0.0054, comparable to the FEM solution. These results demonstrated that the self-supervised DL method could obtain precise E-fields comparable to the FEM solutions with improved computational speed.

The spatial distribution of large-scale functional networks on the anatomic cortex differs between individuals, and is particularly variable in networks responsible for executive function. However, it remains unknown how this functional topography evolves in development and supports cognition. Capitalizing upon advances in machine learning and a large sample of youth (n=693, ages 8-23y) imaged with 27 minutes of high-quality fMRI data, we delineate how functional topography evolves during youth. We found that the functional topography of association networks is refined with age, allowing accurate prediction of an unseen individual's brain maturity. Furthermore, the cortical representation of executive networks predicts individual differences in executive function. Finally, variability of functional topography is associated with fundamental properties of brain organization including evolutionary expansion, cortical myelination, and cerebral blood flow. Our results emphasize the importance of considering both the plasticity and diversity of functional neuroanatomy during development, and suggest advances in personalized therapeutics.

Abstract Background Resting state functional connectivity (rsFC) offers promise for individualizing stimulation targets for transcranial magnetic stimulation (TMS) treatments. However current targeting approaches do not account for non-focal TMS effects or large-scale connectivity patterns. To overcome these limitations, we propose a novel targeting optimization approach that combines whole-brain rsFC and electric-field (e-field) modelling to identify single-subject, symptom-specific TMS targets. Methods In this proof of concept study, we recruited 91 anxious misery (AM) patients and 25 controls. We measured depression symptoms (MADRS/HAMD) and recorded rsFC. We used a PCA regression to predict symptoms from rsFC and estimate the parameter vector, for input into our e-field augmented model. We modeled 17 left dlPFC and 7 M1 sites using 24 equally spaced coil orientations. We computed single-subject predicted ΔMADRS/HAMD scores for each site/orientation using the e-field augmented model, which comprises a linear combination of the following elementwise products 1) the estimated connectivity/symptom coefficients, 2) a vectorized e-field model for site/orientation, 3) the pre-treatment rsFC matrix, scaled by a proportionality constant. Results In AM patients, our pre-stimulation connectivity-based model predicted a significant decrease depression for sites near BA46, but not M1 for coil orientations perpendicular to the cortical gyrus. In control subjects, no site/orientation combination showed a significant predicted change. Discussion These results corroborate previous work suggesting the efficacy of left dlPFC stimulation for depression treatment, and predict better outcomes with individualized targeting. They also suggest that our novel connectivity-based e-field modelling approach may effectively identify potential TMS treatment responders and individualize TMS targeting to maximize the therapeutic impact.

Personalized functional networks (FNs) derived from functional magnetic resonance imaging (fMRI) data are useful for characterizing individual variations in the brain functional topography associated with the brain development, aging, and disorders. To facilitate applications of the personalized FNs with enhanced reliability and reproducibility, we develop an open-source toolbox that is user-friendly, extendable, and includes rigorous quality control (QC), featuring multiple user interfaces (graphics, command line, and a step-by-step guideline) and job-scheduling for high performance computing (HPC) clusters. Particularly, the toolbox, named personalized functional network modeling (pNet), takes fMRI inputs in either volumetric or surface type, ensuring compatibility with multiple fMRI data formats, and computes personalized FNs using two distinct modeling methods: one method optimizes the functional coherence of FNs, while the other enhances their independence. Additionally, the toolbox provides HTML-based reports for QC and visualization of personalized FNs. The toolbox is developed in both MATLAB and Python platforms with a modular design to facilitate extension and modification by users familiar with either programming language. We have evaluated the toolbox on two fMRI datasets and demonstrated its effectiveness and user-friendliness with interactive and scripting examples. pNet is publicly available at https://github.com/MLDataAnalytics/pNet.

ABSTRACT Depression alleviation following treatment with repetitive transcranial magnetic stimulation (rTMS) tends to be more effective when TMS is targeted to cortical areas with high resting state functional connectivity (rsFC) with the subgenual anterior cingulate cortex (sgACC). However, it has not yet been confirmed that rsFC-guided TMS coil placement leads to TMS modulation of the sgACC. For each participant (N=115, 34 depressed patients), a peak rsFC cortical ‘hotspot’ for the sgACC and control targets were prospectively identified. Single pulses of TMS interleaved with fMRI readouts were then administered to these targets and established significant downstream fMRI BOLD responses in the sgACC. We then marked an association between TMS-evoked BOLD responses in the sgACC and rsFC between the stimulation site and sgACC. This effect was qualified by a difference between healthy and patient participants: only in depressed patients, positively connected sites of stimulation led to the strongest evoked responses in the sgACC. Our results highlight rsFC-based targeting as a viable strategy to causally modulate sgACC subcortical targets and further suggest that cortical sites with high positive rsFC to the sgACC might represent an alternative target for the treatment of depression.

The protracted development of structural and functional brain connectivity within distributed association networks coincides with improvements in higher-order cognitive processes such as working memory. However, it remains unclear how white matter architecture develops during youth to directly support coordinated neural activity. Here, we characterize the development of structure-function coupling using diffusion-weighted imaging and n-back fMRI data in a sample of 727 individuals (ages 8-23 years). We found that spatial variability in structure-function coupling aligned with cortical hierarchies of functional specialization and evolutionary expansion. Furthermore, hierarchy-dependent age effects on structure-function coupling localized to transmodal cortex in both cross-sectional data and a subset of participants with longitudinal data (n=294). Moreover, structure-function coupling in rostrolateral prefrontal cortex was associated with executive performance, and partially mediated age-related improvements in executive function. Together, these findings delineate a critical dimension of adolescent brain development, whereby the coupling between structural and functional connectivity remodels to support functional specialization and cognition.