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.

ABSTRACT Arterial spin labeled (ASL) magnetic resonance imaging (MRI) is the primary method for non-invasively measuring regional brain perfusion in humans. We introduce ASLPrep, a suite of software pipelines that ensure the reproducible and generalizable processing of ASL MRI data.

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 Brain Imaging Data Structure (BIDS) is a specification accompanied by a software ecosystem that was designed to create reproducible and automated workflows for processing neuroimaging data. BIDS Apps flexibly build workflows based on the metadata detected in a dataset. However, even BIDS valid metadata can include incorrect values or omissions that result in inconsistent processing across sessions. Additionally, in large-scale, heterogeneous neuroimaging datasets, hidden variability in metadata is difficult to detect and classify. To address these challenges, we created a Python-based software package titled “Curation of BIDS” (CuBIDS), which provides an intuitive workflow that helps users validate and manage the curation of their neuroimaging datasets. CuBIDS includes a robust implementation of BIDS validation that scales to large samples and incorporates DataLad––a version control software package for data––to ensure reproducibility and provenance tracking throughout the entire curation process. CuBIDS provides tools to help users perform quality control on their images’ metadata and identify unique combinations of imaging parameters. Users can then execute BIDS Apps on a subset of participants that represent the full range of acquisition parameters that are present, accelerating pipeline testing on large datasets. HIGHLIGHTS CuBIDS is a workflow and software package for curating BIDS data. CuBIDS summarizes the heterogeneity in a BIDS dataset. CuBIDS prepares BIDS data for successful preprocessing pipeline runs. CuBIDS helps users perform metadata-based quality control.

ABSTRACT Diffusion MRI is the dominant non-invasive imaging method used to characterize white matter organization in health and disease. Increasingly, fiber-specific properties within a voxel are analyzed using fixels. While tools for conducting statistical analyses of fixel data exist, currently available tools are memory intensive, difficult to scale to large datasets, and support only a limited number of statistical models. Here we introduce ModelArray, a memory-efficient R package for mass-univariate statistical analysis of fixel data. With only several lines of code, even large fixel datasets can be analyzed using a standard personal computer. At present, ModelArray supports linear models as well as generalized additive models (GAMs), which are particularly useful for studying nonlinear effects in lifespan data. Detailed memory profiling revealed that ModelArray required only limited memory even for large datasets. As an example, we applied ModelArray to fixel data derived from diffusion images acquired as part of the Philadelphia Neurodevelopmental Cohort (n=938). ModelArray required far less memory than existing tools and revealed anticipated nonlinear developmental effects in white matter. Moving forward, ModelArray is supported by an open-source software development model that can incorporate additional statistical models and other imaging data types. Taken together, ModelArray provides an efficient and flexible platform for statistical analysis of fixel data. HIGHLIGHTS ModelArray is an R package for mass-univariate statistical analysis of fixel data ModelArray is memory-efficient even for large-scale datasets ModelArray supports linear and nonlinear modeling and is extensible to more models ModelArray facilitates easy statistical analysis of large-scale fixel data Graphical abstract

ABSTRACT To support brain development during youth, the brain must balance energy delivery and consumption. Previous studies in adults have demonstrated high coupling between cerebral blood flow and brain function as measured using functional neuroimaging, but how this relationship evolves over adolescence is unknown. To address this gap, we studied a sample of 831 children and adolescents (478 females, ages 8-22) from the Philadelphia Neurodevelopmental Cohort who were scanned at 3T with both arterial spin labeled (ASL) MRI and resting-state functional MRI (fMRI). Local coupling between cerebral blood flow (CBF, from ASL) and the amplitude of low frequency fluctuations (ALFF, from fMRI) was first quantified using locally weighted regressions on the cortical surface. We then used generalized additive models to evaluate how CBF-ALFF coupling was associated with age, sex, and executive function. Enrichment of effects within canonical functional networks was evaluated using spin-based permutation tests. Our analyses revealed tight CBF-ALFF coupling across the brain. Whole-brain CBF-ALFF coupling decreased with age, largely driven by coupling decreases in the inferior frontal cortex, precuneus, visual cortex, and temporoparietal cortex ( p fdr <0.05). Females had stronger coupling in the frontoparietal network than males ( p fdr <0.05). Better executive function was associated with decreased coupling in the somatomotor network ( p fdr <0.05). Overall, we found that CBF-ALFF coupling evolves in development, differs by sex, and is associated with individual differences in executive function. Future studies will investigate relationships between maturational changes in CBF-ALFF coupling and the presence of psychiatric symptoms in youth. SIGNIFICANCE The functions of the human brain are metabolically expensive and reliant on coupling between cerebral blood flow and neural activity. Previous neuroimaging studies in adults demonstrate tight physiology-function coupling, but how this coupling evolves over development is unknown. Here, we examine the relationship between blood flow as measured by arterial spin labeling and the amplitude of low frequency fluctuations from resting-state magnetic resonance imaging across a large sample of youth. We demonstrate regionally specific changes in coupling over age and show that variations in coupling are related to biological sex and executive function. Our results highlight the importance of CBF-ALFF coupling throughout development; we discuss its potential as a future target for the study of neuropsychiatric diseases.

ABSTRACT The recent and growing focus on reproducibility in neuroimaging studies has led many major academic centers to use cloud-based imaging databases for storing, analyzing, and sharing complex imaging data. Flywheel is one such database platform that offers easily accessible, large-scale data management, along with a framework for reproducible analyses through containerized pipelines. The Brain Imaging Data Structure (BIDS) is a data storage specification for neuroimaging data, but curating neuroimaging data into BIDS can be a challenging and time-consuming task. In particular, standard solutions for BIDS curation are not designed for use on cloud-based systems such as Flywheel. To address these challenges, we developed “FlywheelTools”, a software toolbox for reproducible data curation and manipulation on Flywheel. FlywheelTools includes two elements: fw-heudiconv , for heuristic-driven curation of data into BIDS, and flaudit , which audits and inventories projects on Flywheel. Together, these tools accelerate reproducible neuroscience research on the widely used Flywheel platform.

ABSTRACT Mapping individual differences in behavior is fundamental to personalized neuroscience. Here, we establish that statistical patterns of smartphone-based mobility features represent unique “footprints” that allow individual identification. Critically, mobility footprints exhibit varying levels of person-specific distinctiveness and are associated with individual differences in affective instability, circadian irregularity, and brain functional connectivity. Together, this work suggests that real-world mobility patterns may provide an individual-specific signature linking brain, behavior, and mood.

The white matter architecture of the human brain undergoes substantial development throughout childhood and adolescence, allowing for more efficient signaling between brain regions that support executive function. Increasingly, the field understands grey matter development as a spatially and temporally coordinated mechanism that follows hierarchically organized gradients of change. While white matter development also appears asynchronous, previous studies have largely relied on anatomical atlases to characterize white matter tracts, precluding a direct assessment of how white matter structure is spatially and temporally coordinated. Here, we leveraged advances in diffusion modeling and unsupervised machine learning to delineate white matter fiber covariance networks comprised of structurally similar areas of white matter in a cross-sectional sample of 939 youth aged 8-22 years. We then evaluated associations between fiber covariance network structural properties with both age and executive function using generalized additive models. The identified fiber covariance networks aligned with the known architecture of white matter while simultaneously capturing novel spatial patterns of coordinated maturation. Fiber covariance networks showed heterochronous increases in fiber density and cross section that generally followed hierarchically organized temporal patterns of cortical development, with the greatest increases in unimodal sensorimotor networks and the most prolonged increases in superior and anterior transmodal networks. Notably, we found that executive function was associated with structural features of limbic and association networks. Taken together, this study delineates data-driven patterns of white matter network development that support cognition and align with major axes of brain maturation.

Abstract With the increasing availability of neuroimaging data from multiple modalities—each providing a different lens through which to study brain structure or function—new techniques for comparing, integrating, and interpreting information within and across modalities have emerged. Recent developments include hypothesis tests of associations between neuroimaging modalities, which can be used to determine the statistical significance of intermodal associations either throughout the entire brain or within anatomical subregions or functional networks. While these methods provide a crucial foundation for inference on intermodal relationships, they cannot be used to answer questions about where in the brain these associations are most pronounced. In this paper, we introduce a new method, called CLEAN-R, that can be used both to test intermodal correspondence throughout the brain and also to localize this correspondence. Our method involves first adjusting for the underlying spatial autocorrelation structure within each modality before aggregating information within small clusters to construct a map of enhanced test statistics. Using structural and functional magnetic resonance imaging data from a subsample of children and adolescents from the Philadelphia Neurodevelopmental Cohort, we conduct simulations and data analyses where we illustrate the high statistical power and nominal type I error levels of our method. By constructing an interpretable map of group-level correspondence using spatially-enhanced test statistics, our method offers insights beyond those provided by earlier methods.