Abstract Early and profound pathological changes are evident in the locus coeruleus (LC) in dementia and Parkinson’s disease, with effects on arousal, attention, cognitive and motor control. The LC can be identified in vivo using non-invasive magnetic resonance imaging techniques which have potential as biomarkers for detecting and monitoring disease progression. Technical limitations of existing imaging protocols have impaired the sensitivity to regional contrast variance or the spatial variability on the rostrocaudal extent of the LC, with spatial mapping consistent with post mortem findings. The current study employs a sensitive magnetisation transfer sequence using ultrahigh field 7T MRI to investigate the LC structure in vivo at high-resolution (resolution 0.4×0.4×0.5 mm, duration seven minutes). Magnetisation transfer images from 53 healthy older volunteers (52-84 years) revealed the spatial features of the LC and were used to create a probabilistic LC atlas for older adults, appropriate for clinical research. Consistent rostrocaudal gradients of slice-wise volume, contrast and variance differences of the LC were observed, mirroring distinctive ex vivo spatial distributions of LC cells in its subregions. The contrast-to-noise ratios were calculated for the peak voxels, and for the averaged signals within the atlas, to accommodate the volumetric differences in estimated contrast. The probabilistic atlas is freely available, and the MRI dataset is available for researchers, for replication or to facilitate accurate LC localisation and unbiased contrast extraction in future studies.

Abstract Neuroinflammation is a key part of the etio-pathogenesis of Alzheimer’s disease. We test the relationship between neuroinflammation and the disruption of functional connectivity in large-scale networks, and their joint influence on cognitive impairment. We combined [ 11 C]PK11195 positron emission tomography (PET) and resting-state functional magnetic resonance imaging (rs-fMRI) in 28 humans (13 females/15 males) with clinical diagnosis of probable Alzheimer’s disease or mild cognitive impairment with positive PET biomarker for amyloid, and 14 age-, sex-, and education-matched healthy humans (8 females/6 males). Source-based ‘inflammetry’ was used to extract principal components of [ 11 C]PK11195 PET signal variance across all participants. rs-fMRI data were pre-processed via independent component analyses to classify neuronal and non-neuronal signals. Multiple linear regression models identified sources of signal co-variance between neuroinflammation and brain connectivity profiles, in relation to group and cognitive status. Patients showed significantly higher [ 11 C]PK11195 binding relative to controls, in a distributed spatial pattern including the hippocampus, medial, and inferior temporal cortex. Patients with enhanced loading on this [ 11 C]PK11195 binding distribution displayed diffuse abnormal functional connectivity. The expression of a stronger association between such abnormal connectivity and higher levels of neuroinflammation correlated with worse cognitive deficits. Our study suggests that neuroinflammation relates to the pathophysiological changes in network function that underlie cognitive deficits in Alzheimer’s disease. Neuroinflammation, and its association with functionally-relevant reorganisation of brain networks, is proposed as a target for emerging immuno-therapeutic strategies aimed at preventing or slowing the emergence of dementia. Significance Statement Neuroinflammation is an important aspect of Alzheimer’s disease (AD), but it was not known whether the influence of neuroinflammation on brain network function in humans was important for cognitive deficit. Our study provides clear evidence that in vivo neuroinflammation in AD impairs large-scale network connectivity; and that the link between inflammation and functional network connectivity is relevant to cognitive impairment. We suggest that future studies should address how neuroinflammation relates to network function as AD progresses; and whether the neuroinflammation in AD is reversible, as the basis of immunotherapeutic strategies to slow the progression of AD.

Abstract Recently, it has become progressively more evident that classic diagnostic labels are unable to accurately and reliably describe the complexity and variability of several clinical phenotypes. This is particularly true for a broad range of neuropsychiatric illnesses such as depression and anxiety disorders or behavioural phenotypes such as aggression and antisocial personality. Patient heterogeneity can be better described and conceptualized by grouping individuals into novel categories, which are based on empirically-derived sections of intersecting continua that span both across and beyond traditional categorical borders. In this context, neuroimaging data carry a wealth of spatiotemporally resolved information about each patient’s brain. However, they are usually heavily collapsed a priori through procedures which are not learned as part of model training, and consequently not optimized for the downstream prediction task. This is due to the fact that every individual participant usually comes with multiple whole-brain 3D imaging modalities often accompanied by a deep genotypic and phenotypic characterization, hence posing formidable computational challenges. In this paper we design and validate a deep learning architecture based on generative models rooted in a modular approach and separable convolutional blocks (which result in a 20-fold decrease in parameter utilization) in order to a) fuse multiple 3D neuroimaging modalities on a voxel-wise level, b) efficiently convert them into informative latent embeddings through heavy dimensionality reduction, c) maintain excellent generalizability and minimal information loss. As proof of concept, we test our architecture on the well characterized Human Connectome Project database (n=974 healthy subjects), demonstrating that our latent embeddings can be clustered into easily separable subject strata which, in turn, map to extremely different phenotypical information (including organic, neuropsychological, personality variables) which was not included in the embedding creation process. The ability to extract meaningful and separable phenotypic information from brain images alone can aid in creating multi-dimensional biomarkers able to chart spatio-temporal trajectories which may correspond to different pathophysiological mechanisms unidentifiable to traditional data analysis approaches. In turn, this may be of aid in predicting disease evolution as well as drug response, hence supporting mechanistic disease understanding and also empowering clinical trials.

ABSTRACT Background Depressed individuals show attentional biases in the processing of emotional stimuli, such as negative face expressions. Some of these biases persist in previously depressed individuals, but their mechanisms remain largely unknown. Methods A population-derived cohort ( n = 134, 68 females; 21 - 92 years) was recruited by Cam-CAN. Functional MRI was acquired during a gender discrimination task, which used angry and neutral faces. Drift diffusion modelling (DDM) was used to investigate the latent components of the decision process, focusing on the effect of emotional valence. DDM parameters were correlated with activity in brain regions. Results 14% of participants reported a history of depression in remission. The best fitting DDM specified a different drift rate for angry and neutral faces. A slower drift rate for angry faces predicted depression in remission (OR 0.092, p = 0.048). This effect persisted after accounting for current depression symptoms and drift rate for neutral faces. Participants with a slower drift rate for angry faces demonstrated increased activations in the bilateral insula, bilateral inferior frontal gyrus and bilateral parietal cortex when viewing angry relative to neutral faces. Conclusions Our results suggest a persistent attentional bias in the processing of angry faces in individuals with depression in remission, over and above their current depressive symptoms. The imaging findings suggest that the slowing is associated with changes in areas involved in emotional regulation and evidence accumulation. Attentional biases in the processing of emotional information may reflect a trait, rather than state, in individuals with depression.

To bridge the gap between preclinical cellular models of disease and in vivo imaging of human cognitive network dynamics, there is a pressing need for informative biophysical models. Here we assess dynamic causal models (DCM) of cortical network responses, inverted to magnetoencephalographic observations during an auditory oddball roving paradigm in healthy adults. This paradigm induces robust perturbations that permeate frontotemporal networks, including an evoked mismatch negativity response and transiently induced oscillations. Here, we probe GABAergic influences of the networks using double-blind placebo-controlled randomised crossover administration of the GABA re-uptake inhibitor, tiagabine (oral, 10mg) in healthy older adults. We demonstrate the facility of conductance-based neural mass mean-field models, incorporating local synaptic connectivity, to investigate laminar-specific and GABAergic mechanisms of the auditory response. The neuronal model accurately recapitulated the observed magnetoencephalographic data. Using parametric empirical Bayes for optimal model inversion across both sessions, we identify the effect of tiagabine on GABAergic modulation of deep pyramidal and interneuronal cell populations. Moreover, in keeping with the hierarchical coding of beliefs and sensory evidence, we found a transition of the main GABAergic drug effects from auditory cortex in standard trials to prefrontal cortex in deviant trials. The successful integration of pharmaco-magnetoencephalography with dynamic causal models of frontotemporal networks provides a potential platform on which to evaluate the effects of disease and pharmacological interventions.

Predicting variability in cognition traits is an attractive and challenging area of research, where different approaches and datasets have been implemented with mixed results. Some powerful Machine Learning algorithms employed before are difficult to interpret, while other algorithms are easy to interpret but might not be as powerful. To improve understanding of individual cognitive differences in humans, we make use of the most recent developments in Machine Learning in which powerful prediction models can be interpreted with confidence. We used neuroimaging data and a variety of behavioural, cognitive, affective and health measures from 905 people obtained from the Human Connectome Project (HCP). As a main contribution of this paper, we show how one could interpret the neuroanatomical basis of cognition, with recent methods which we believe are not yet fully explored in the field. By reducing neuroimages to a well characterised set of features generated from surface-based morphometry and cortical myelin estimates, we make the interpretation of such models easier as each feature is self-explanatory. The code used in this tool is available in a public repository: https://github.com/tjiagoM/interpreting-cognition-paper-2019

Dementia with Lewy bodies (DLB) is the second-leading degenerative dementia after Alzheimer's disase. Neuropathologically, it is characterized by alpha-synuclein protein deposition with variable degree of concurrent Alzheimer pathology. Neuroinflammation is increasingly recognized as a significant contributor of degeneration. Objective: to examine the relationship between microglial activation as measured with [11C]-PK11195 brain PET and MR diffusion tensor imaging (DTI) in DLB. Methods: nineteen clinically probable DLB and 20 similarly aged controls underwent structural MRI with T1-weighted and 3T DTI sequences. Eighteen DLB subjects also underwent [11C]-PK11195 PET imaging. Tract-Based Spatial Statistics (TBSS) were performed to compare DTI parameters in DLB relative to controls and identify associations of [11C]-PK11195 binding with white matter integrity. Results: TBSS showed widespread changes in all DTI parameters in the DLB group compared to controls (Threshold Free Cluster Enhancement (TFCE) p < 0.05). [11C]-PK11195 binding in parietal cortices also correlated with widespread lower mean and radial diffusivity (TFCE p < 0.05). Conclusion: Our study demonstrates that higher PK11195 binding is associated with a relative preservation of white matter, positioning neuroinflammation as a potential early marker in the DLB pathogenic cascade.

Some forms of mild cognitive impairment (MCI) can be the clinical precursor of severe dementia like Alzheimer's disease (AD), while other types of MCI tend to remain stable over-time and do not progress to AD pathology. To choose an effective and personalized treatment for AD, we need to identify which MCI patients are at risk of developing AD and which are not. Here, we present a novel deep learning architecture, based on dual learning and an ad hoc layer for 3D separable convolutions, which aims at identifying those people with MCI who have a high likelihood of developing AD. Our deep learning procedures combine structural magnetic resonance imaging (MRI), demographic, neuropsychological, and APOe4 genotyping data as input measures. The most novel characteristics of our machine learning model compared to previous ones are as follows: 1) multi-tasking, in the sense that our deep learning model jointly learns to simultaneously predict both MCI to AD conversion, and AD vs healthy classification which facilitates the relevant feature extraction for prognostication; 2) the neural network classifier employs relatively few parameters compared to other deep learning architectures (we use ~500,000 network parameters, orders of magnitude lower than other network designs) without compromising network complexity and hence significantly limits data-overfitting; 3) both structural MRI images and warp field characteristics, which quantify the amount of volumetric change compared to the common template, were used as separate input streams to extract as much information as possible from the MRI data. All the analyses were performed on a subset of the Alzheimers Disease Neuroimaging Initiative (ADNI) database, for a total of n=785 participants (192 AD, 409 MCI, and184 healthy controls (HC)). We found that the most predictive combination of inputs included the structural MRI images and the demographic, neuropsychological, and APOe4 data, while the warp field metric added little predictive value. We achieved an area under the ROC curve (AUC) of 0.92 with a 10-fold cross-validated accuracy of 86%, a sensitivity of 87.5% and specificity of 85% in classifying MCI patients who developed AD in three years' time from those individuals showing stable MCI over the same time-period. To the best of our knowledge, this is the highest performance reported on a test set achieved in the literature using similar data. The same network provided an AUC of 1 and 100% accuracy, sensitivity and specificity when classifying NC from AD. We also demonstrated that our classification framework was robust to different co-registration templates and possibly irrelevant features / image sections. Our approach is flexible and can in principle integrate other imaging modalities, such as PET, and a more diverse group of clinical data. The convolutional framework is potentially applicable to any 3D image dataset and gives the flexibility to design a computer-aided diagnosis system targeting the prediction of any medical condition utilizing multi-modal imaging and tabular clinical data.

Abstract Resting-state functional magnetic resonance imaging (rs-fMRI) has been successfully employed to understand the organisation of the human brain. For rs-fMRI analysis, the brain is typically parcellated into regions of interest (ROIs) and modelled as a graph where each ROI is a node and pairwise correlation between ROI blood-oxygen-level-dependent (BOLD) time series are edges. Recently, graph neural networks (GNNs) have seen a surge in popularity due to their successes in modelling unstructured relational data. The latest developments with GNNs, however, have not yet been fully exploited for the analysis of rs-fMRI data, particularly with regards to its spatio-temporal dynamics. Herein we present a novel deep neural network architecture, combining both GNNs and temporal convolutional networks (TCNs), which is able to learn from the spatial and temporal components of rs-fMRI data in an end-to-end fashion. In particular, this corresponds to intra-feature learning (i.e., learning temporal dynamics with TCNs) as well as inter-feature learning (i.e., leveraging spatial interactions between ROIs with GNNs). We evaluate our model with an ablation study using 35,159 samples from the UK Biobank rs-fMRI database. We also demonstrate explainability features of our architecture which map to realistic neurobiological insights. We hope our model could lay the groundwork for future deep learning architectures focused on leveraging the inherently and inextricably spatio-temporal nature of rs-fMRI data.