We describe the construction of a digital brain atlas composed of data from manually delineated MRI data. A total of 56 structures were labeled in MRI of 40 healthy, normal volunteers. This labeling was performed according to a set of protocols developed for this project. Pairs of raters were assigned to each structure and trained on the protocol for that structure. Each rater pair was tested for concordance on 6 of the 40 brains; once they had achieved reliability standards, they divided the task of delineating the remaining 34 brains. The data were then spatially normalized to well-known templates using 3 popular algorithms: AIR5.2.5’s nonlinear warp (Woods et al., 1998) paired with the ICBM452 Warp 5 atlas (Rex et al., 2003), FSL’s FLIRT (Smith et al., 2004) was paired with its own template, a skull-stripped version of the ICBM152 T1 average; and SPM5’s unified segmentation method (Ashburner and Friston, 2005) was paired with its canonical brain, the whole head ICBM152 T1 average. We thus produced 3 variants of our atlas, where each was constructed from 40 representative samples of a data processing stream that one might use for analysis. For each normalization algorithm, the individual structure delineations were then resampled according to the computed transformations. We next computed averages at each voxel location to estimate the probability of that voxel belonging to each of the 56 structures. Each version of the atlas contains, for every voxel, probability densities for each region, thus providing a resource for automated probabilistic labeling of external data types registered into standard spaces; we also computed average intensity images and tissue density maps based on the three methods and target spaces. These atlases will serve as a resource for diverse applications including meta-analysis of functional and structural imaging data and other bioinformatics applications where display of arbitrary labels in probabilistically defined anatomic space will facilitate both knowledge-based development and visualization of findings from multiple disciplines.

We describe a sequence of low-level operations to isolate and classify brain tissue within T1-weighted magnetic resonance images (MRI). Our method first removes nonbrain tissue using a combination of anisotropic diffusion filtering, edge detection, and mathematical morphology. We compensate for image nonuniformities due to magnetic field inhomogeneities by fitting a tricubic B-spline gain field to local estimates of the image nonuniformity spaced throughout the MRI volume. The local estimates are computed by fitting a partial volume tissue measurement model to histograms of neighborhoods about each estimate point. The measurement model uses mean tissue intensity and noise variance values computed from the global image and a multiplicative bias parameter that is estimated for each region during the histogram fit. Voxels in the intensity-normalized image are then classified into six tissue types using a maximum a posteriori classifier. This classifier combines the partial volume tissue measurement model with a Gibbs prior that models the spatial properties of the brain. We validate each stage of our algorithm on real and phantom data. Using data from the 20 normal MRI brain data sets of the Internet Brain Segmentation Repository, our method achieved average κ indices of κ = 0.746 ± 0.114 for gray matter (GM) and κ = 0.798 ± 0.089 for white matter (WM) compared to expert labeled data. Our method achieved average κ indices κ = 0.893 ± 0.041 for GM and κ = 0.928 ± 0.039 for WM compared to the ground truth labeling on 12 volumes from the Montreal Neurological Institute's BrainWeb phantom.

We describe a new magnetic resonance (MR) image analysis tool that produces cortical surface representations with spherical topology from MR images of the human brain. The tool provides a sequence of low-level operations in a single package that can produce accurate brain segmentations in clinical time. The tools include skull and scalp removal, image nonuniformity compensation, voxel-based tissue classification, topological correction, rendering, and editing functions. The collection of tools is designed to require minimal user interaction to produce cortical representations. In this paper we describe the theory of each stage of the cortical surface identification process. We then present classification validation results using real and phantom data. We also present a study of interoperator variability.

The study is the first to analyze genetic and environmental factors that affect brain fiber architecture and its genetic linkage with cognitive function. We assessed white matter integrity voxelwise using diffusion tensor imaging at high magnetic field (4 Tesla), in 92 identical and fraternal twins. White matter integrity, quantified using fractional anisotropy (FA), was used to fit structural equation models (SEM) at each point in the brain, generating three-dimensional maps of heritability. We visualized the anatomical profile of correlations between white matter integrity and full-scale, verbal, and performance intelligence quotients (FIQ, VIQ, and PIQ). White matter integrity (FA) was under strong genetic control and was highly heritable in bilateral frontal ( a 2 = 0.55, p = 0.04, left; a 2 = 0.74, p = 0.006, right), bilateral parietal ( a 2 = 0.85, p < 0.001, left; a 2 = 0.84, p < 0.001, right), and left occipital ( a 2 = 0.76, p = 0.003) lobes, and was correlated with FIQ and PIQ in the cingulum, optic radiations, superior fronto-occipital fasciculus, internal capsule, callosal isthmus, and the corona radiata ( p = 0.04 for FIQ and p = 0.01 for PIQ, corrected for multiple comparisons). In a cross-trait mapping approach, common genetic factors mediated the correlation between IQ and white matter integrity, suggesting a common physiological mechanism for both, and common genetic determination. These genetic brain maps reveal heritable aspects of white matter integrity and should expedite the discovery of single-nucleotide polymorphisms affecting fiber connectivity and cognition.

The mechanisms controlling axon guidance are of fundamental importance in understanding brain development. Growing corticospinal and somatosensory axons cross the midline in the medulla to reach their targets and thus form the basis of contralateral motor control and sensory input. The motor and sensory projections appeared uncrossed in patients with horizontal gaze palsy with progressive scoliosis (HGPPS). In patients affected with HGPPS, we identified mutations in the ROBO3 gene, which shares homology with roundabout genes important in axon guidance in developing Drosophila , zebrafish, and mouse. Like its murine homolog Rig1/Robo3, but unlike other Robo proteins, ROBO3 is required for hindbrain axon midline crossing.

Abstract We present a new high-quality, single-subject atlas with sub-millimeter voxel resolution, high SNR, and excellent grey-white tissue contrast to resolve fine anatomical details. The atlas is labeled into two parcellation schemes: 1) the anatomical BCI-DNI atlas, which is manually labeled based on known morphological and anatomical features, and 2) the hybrid USCBrain atlas, which incorporates functional information to guide the sub-parcellation of cerebral cortex. In both cases, we provide consistent volumetric and cortical surface-based parcellation and labeling. The intended use of the atlas is as a reference template for structural coregistration and labeling of individual brains. A single-subject T1-weighted image was acquired at a resolution of 0.547mm × 0.547mm × 0.800mm five times and averaged. Images were processed by an expert neuroanatomist using semi-automated methods in BrainSuite to extract the brain, classify tissue-types, and render anatomical surfaces. Sixty-six cortical and 29 noncortical regions were manually labeled to generate the BCI-DNI atlas. The cortical regions were further sub-parcellated into 130 cortical regions based on multi-subject connectivity analysis using resting fMRI (rfMRI) data from the Human Connectome Project (HCP) database to produce the USCBrain atlas. In addition, we provide a delineation between sulcal valleys and gyral crowns, which offer an additional set of 26 sulcal subregions per hemisphere. Lastly, a probabilistic map is provided to give users a quantitative measure of reliability for each gyral subdivision. Utility of the atlas was assessed by computing adjusted Rand indices between individual sub-parcellations obtained through structural-only coregistration to the USCBrain atlas and sub-parcellations obtained directly from each subject’s resting fMRI data. Both atlas parcellations can be used with the BrainSuite, FreeSurfer, and FSL software packages.

ABSTRACT Deep brain nuclei are integral components of large-scale circuits mediating important cognitive and sensorimotor functions. However, because they fall outside the domain of conventional non-invasive neuromodulatory techniques, their study has been primarily based on neuropsychological models, limiting the ability to fully characterize their role and to develop interventions in cases where they are damaged. To address this gap, we used the emerging technology of non-invasive low-intensity focused ultrasound (LIFU) to directly modulate left lateralized basal ganglia structures in healthy volunteers. During sonication, we observed local and distal decreases in blood oxygenation level dependent (BOLD) signal in the targeted left globus pallidus (GP) and in large-scale cortical networks. We also observed a generalized decrease in relative perfusion throughout the cerebrum following sonication. These results show, for the first time using functional MRI data, the ability to modulate deep-brain nuclei using LIFU while measuring its local and global consequences, opening the door for future applications of subcortical LIFU.

There has been a concerted effort by the neuroimaging community to establish standards for computational methods for data analysis that promote reproducibility and portability. In particular, the Brain Imaging Data Structure (BIDS) specifies a standard for storing imaging data, and the related BIDS App methodology provides a standard for implementing containerized processing environments that include all necessary dependencies to process BIDS datasets using image processing workflows. We present the BrainSuite BIDS App, which encapsulates the core MRI processing functionality of BrainSuite within the BIDS App framework. Specifically, the BrainSuite BIDS App implements a participant-level workflow comprising three pipelines and a corresponding set of group-level analysis workflows for processing the participant-level outputs. The BrainSuite Anatomical Pipeline (BAP) extracts cortical surface models from a T1-weighted (T1w) MRI. It then performs surface-constrained volumetric registration to align the T1w MRI to a labeled anatomical atlas, which is used to delineate anatomical regions of interest in the MRI brain volume and on the cortical surface models. The BrainSuite Diffusion Pipeline (BDP) processes diffusion-weighted imaging (DWI) data, with steps that include coregistering the DWI data to the T1w scan, correcting for geometric image distortion, and fitting diffusion models to the DWI data. The BrainSuite Functional Pipeline (BFP) performs fMRI processing using a combination of FSL, AFNI, and BrainSuite tools. BFP coregisters the fMRI data to the T1w image, then transforms the data to the anatomical atlas space and to the Human Connectome Project's grayordinate space. Each of these outputs can then be processed during group-level analysis. The outputs of BAP and BDP are analyzed using the BrainSuite Statistics in R (bssr) toolbox, which provides functionality for hypothesis testing and statistical modeling. The outputs of BFP can be analyzed using atlas-based or atlas-free statistical methods during group-level processing. These analyses include the application of BrainSync, which synchronizes the time-series data temporally and enables comparison of resting-state or task-based fMRI data across scans. We also present the BrainSuite Dashboard quality control system, which provides a browser-based interface for reviewing the outputs of individual modules of the participant-level pipelines across a study in real-time as they are generated. BrainSuite Dashboard facilitates rapid review of intermediate results, enabling users to identify processing errors and make adjustments to processing parameters if necessary. The comprehensive functionality included in the BrainSuite BIDS App provides a mechanism for rapidly deploying the BrainSuite workflows into new environments to perform large-scale studies. We demonstrate the capabilities of the BrainSuite BIDS App using structural, diffusion, and functional MRI data from the Amsterdam Open MRI Collection's Population Imaging of Psychology dataset.

In spite of the great progress that has been made towards automating brain extraction in human magnetic resonance imaging (MRI), challenges remain in the automation of this task for mouse models of brain disorders. Researchers often resort to editing brain segmentation results manually when automated methods fail to produce accurate delineations. However, manual corrections can be labor-intensive and introduce interrater variability. This motivated our development of a new deep-learning-based method for brain segmentation of mouse MRI, which we call Mouse Brain Extractor. We adapted the existing SwinUNETR architecture (Hatamizadeh et al., 2021) with the goal of making it more robust to scale variance. Our approach is to supply the network model with supplementary spatial information in the form of absolute positional encoding. We use a new scheme for positional encoding, which we call Global Positional Encoding (GPE). GPE is based on a shared coordinate frame that is relative to the entire input image. This differs from the positional encoding used in SwinUNETR, which solely employs relative pairwise image patch positions. GPE also differs from the conventional absolute positional encoding approach, which encodes position relative to a subimage rather than the entire image. We trained and tested our method on a heterogeneous dataset of N=223 mouse MRI, for which we generated a corresponding set of manually-edited brain masks. These data were acquired previously in other studies using several different scanners and imaging protocols and included in vivo and ex vivo images of mice with heterogeneous brain structure due to different genotypes, strains, diseases, ages, and sexes. We evaluated our method's results against those of seven existing rodent brain extraction methods and two state-of-the art deep-learning approaches, nnU-Net (Isensee et al., 2018) and SwinUNETR. Overall, our proposed method achieved average Dice scores on the order of 0.98 and average HD95 measures on the order of 100μm when compared to the manually-labeled brain masks. In statistical analyses, our method significantly outperformed the conventional approaches and performed as well as or significantly better than the nnU-Net and SwinUNETR methods. These results suggest that Global Positional Encoding provides additional contextual information that enables our Mouse Brain Extractor to perform competitively on datasets containing multiple resolutions.