The validity of research results depends on the reliability of analysis methods. In recent years, there have been concerns about the validity of research that uses diffusion-weighted MRI (dMRI) to understand human brain white matter connections in vivo , in part based on reliability of the analysis methods used in this field. We defined and assessed three dimensions of reliability in dMRI-based tractometry, an analysis technique that assesses the physical properties of white matter pathways: (1) reproducibility, (2) test-retest reliability and (3) robustness. To facilitate reproducibility, we provide software that automates tractometry ( https://yeatmanlab.github.io/pyAFQ ). In measurements from the Human Connectome Project, as well as clinical-grade measurements, we find that tractometry has high test-retest reliability that is comparable to most standardized clinical assessment tools. We find that tractometry is also robust: showing high reliability with different choices of analysis algorithms. Taken together, our results suggest that tractometry is a reliable approach to analysis of white matter connections. The overall approach taken here both demonstrates the specific trustworthiness of tractometry analysis and outlines what researchers can do to demonstrate the reliability of computational analysis pipelines in neuroimaging.

Abstract We created resources to facilitate research on the role of human brain microstructure in the development of mental health disorders, based on openly-available diffusion MRI (dMRI) data from the Healthy Brain Network (HBN) study. First, we curated the HBN dMRI data (N=2747) into the Brain Imaging Data Structure and preprocessed it according to best-practices, including denoising and correcting for motion effects, susceptibility-related distortions, and eddy currents. Preprocessed, analysis-ready data was made openly available. Data quality plays a key role in the analysis of dMRI, and we provide automated quality control (QC) scores for every scan, as part of the data release. To scale QC to this large dataset, we trained a neural network through the combination of a small data subset scored by experts and a larger set scored by community scientists. The network performs QC highly concordant with that of experts on a held out set (ROC-AUC = 0.947). A further analysis of the neural network demonstrates that it relies on image features with relevance to QC. Altogether, this work both delivers a resource for transdiagnostic research in brain connectivity and pediatric mental health and serves as a novel tool for automated QC of large datasets.

Abstract Cross-sectional studies have linked differences in white matter tissue properties to reading skills. However, past studies have reported a range of, sometimes conflicting, results. Some studies suggest that white matter properties act as individual-level traits predictive of reading skill, whereas others suggest that reading skill and white matter develop as a function of an individual’s educational experience. In the present study, we tested two hypotheses: a) that diffusion properties of the white matter reflect stable brain characteristics that relate to reading skills over development or b) that white matter is a dynamic system, linked with learning over time. To answer these questions, we examined the relationship between white matter and reading in a five-year longitudinal dataset and a series of large-scale, single-observation, cross-sectional datasets (N=14,249 total participants). We find that gains in reading skill correspond to longitudinal changes in the white matter. However, in the single-observation datasets, we find no evidence for the hypothesis that individual differences in white matter predict reading skill. These findings highlight the link between dynamic processes in the white matter and learning.

Coarse measures of socioeconomic status, such as parental income or parental education, have been linked to differences in white matter development. However, these measures do not provide insight into specific aspects of an individual9s environment and how they relate to brain development. On the other hand, educational intervention studies have shown that changes in an individual9s educational context can drive measurable changes in their white matter. These studies, however, rarely consider socioeconomic factors in their results. In the present study, we examined the unique effect of educational opportunity on white matter development, even when controlling other known socioeconomic factors. To explore this question, we leveraged the rich demographic and neuroimaging data available in the ABCD study, as well the unique data-crosswalk between ABCD and the Stanford Education Data Archive (SEDA). We find that educational opportunity is related to accelerated white matter development, even when accounting for other socioeconomic factors, and that this relationship is most pronounced in white matter tracts associated with academic skills. These results suggest that the school a child attends has a measurable impact on brain development for years to come.

Abstract Alpha is the strongest electrophysiological rhythm in awake humans at rest. Despite its predominance in the EEG signal, strong variations can be observed in alpha properties during development, with an increase of alpha frequency over childhood and adulthood. Here we tested the hypothesis that these changes of alpha rhythm are related to the maturation of visual white matter pathways. We capitalized on a large dMRI-EEG dataset (dMRI n=2,747, EEG n=2,561) of children and adolescents (age range: 5-21 years old) and showed that maturation of the optic radiation specifically accounts for developmental changes of alpha frequency. Behavioral analyses also confirmed that variations of alpha frequency are related to maturational changes in visual perception. The present findings demonstrate the close link between developmental variations in white matter tissue properties, electrophysiological responses, and behavior.