Abstract White matter bundle segmentation using diffusion MRI fiber tractography has become the method of choice to identify white matter fiber pathways in vivo in human brains. However, like other analyses of complex data, there is considerable variability in segmentation protocols and techniques. This can result in different reconstructions of the same intended white matter pathways, which directly affects tractography results, quantification, and interpretation. In this study, we aim to evaluate and quantify the variability that arises from different protocols for bundle segmentation. Through an open call to users of fiber tractography, including anatomists, clinicians, and algorithm developers, 42 independent teams were given processed sets of human whole-brain streamlines and asked to segment 14 white matter fascicles on six subjects. In total, we received 57 different bundle segmentation protocols, which enabled detailed volume-based and streamline-based analyses of agreement and disagreement among protocols for each fiber pathway. Results show that even when given the exact same sets of underlying streamlines, the variability across protocols for bundle segmentation is greater than all other sources of variability in the virtual dissection process, including variability within protocols and variability across subjects. In order to foster the use of tractography bundle dissection in routine clinical settings, and as a fundamental analytical tool, future endeavors must aim to resolve and reduce this heterogeneity. Although external validation is needed to verify the anatomical accuracy of bundle dissections, reducing heterogeneity is a step towards reproducible research and may be achieved through the use of standard nomenclature and definitions of white matter bundles and well-chosen constraints and decisions in the dissection process.

Abstract Mean-field (MF) models can be used to summarize in a few statistical parameters the salient properties of an inter-wired neuronal network incorporating different types of neurons and synapses along with their topological organization. MF are crucial to efficiently implement the modules of large-scale brain models maintaining the specificity of local microcircuits. While MFs have been generated for the isocortex, they are still missing for other parts of the brain. Here we have designed and simulated a multi-layer MF of the cerebellar network (including Granule Cells, Golgi Cells, Molecular Layer Interneurons, and Purkinje Cells) and validated it against experimental data and the corresponding spiking neural network (SNN) microcircuit model. The cerebellar MF was built using a system of equations, where properties of neuronal populations and topological parameters are embedded in inter-dependent transfer functions. The model time constant was optimised using local field potentials recorded experimentally from acute mouse cerebellar slices as a template. The MF satisfactorily reproduced the average dynamics of the different neuronal populations in response to various input patterns and predicted the modulation of Purkinje Cells firing depending on cortical plasticity, which drives learning in associative tasks, and the level of feedforward inhibition. The cerebellar MF provides a computationally efficient tool that will allow to investigate the causal relationship between microscopic neuronal properties and ensemble brain activity in virtual brain models addressing both physiological and pathological conditions.

Abstract The development of biologically realistic models of brain microcircuits and regions is currently a very relevant topic in computational neuroscience. From basic research to clinical applications, there is an increasing demand for accurate models that incorporate local cellular and network specificities, able to capture a broad range of dynamics and functions associated with given brain regions. One of the main challenges of these models is the passage between different scales, going from the microscale (cellular) to the meso (microcircuit) and macroscale (region or whole-brain level), while keeping at the same time a constraint on the demand of computational resources. One novel approach to this problem is the use of mean-field models of neuronal activity to build large-scale simulations. This provides an effective solution to the passage between scales with relatively low computational demands, which is achieved by a drastic reduction in the dimensionality of the system. In this paper we introduce a multiscale modelling framework for the hippocampal CA1, a region of the brain that plays a key role in functions such as learning, memory consolidation and navigation. Our modelling framework goes from the single cell level to the macroscale and makes use of a novel mean-field model of CA1, introduced in this paper, to bridge the gap between the micro and macro scales. To develop the mean-field model we make use of a recently introduced formalism based on a bottom-up approach that is easily applicable to different neuronal models and cell types. We test and validate the model by analyzing the response of the system to the main brain rhythms observed in the hippocampus and comparing our results with the ones of the corresponding spiking network model of CA1. In addition, we show an example of the implementation of our model to study a stimulus propagation at the macro-scale, and we compare the results obtained from our model with the corresponding spiking network model of the whole CA1 area.

Abstract Brain pathologies are based on microscopic changes in neurons and synapses that reverberate into large scale networks altering brain dynamics and functional states. An important yet unresolved issue concerns the impact of patients excitation/inhibition profiles on neurodegenerative diseases including Alzheimer’s disease, Frontotemporal Dementia and Amyotrophic Lateral Sclerosis. In this work we used a simulation platform, The Virtual Brain, to simulate brain dynamics in healthy controls and in Alzheimer’s disease, Frontotemporal Dementia and Amyotrophic Lateral Sclerosis patients. The brain connectome and functional connectivity were extracted from 3T-MRI scans and The Virtual Brain nodes were represented by a Wong-Wang neural mass model endowing an explicit representation of the excitatory/inhibitory balance. The integration of cerebro-cerebellar loops improved the correlation between experimental and simulated functional connectivity, and hence The Virtual Brain predictive power, in all pathological conditions. The Virtual Brain biophysical parameters differed between clinical phenotypes, predicting higher global coupling and inhibition in Alzheimer’s disease and stronger NMDA (N-methyl-D-aspartate) receptor-dependent excitation in Amyotrophic Lateral Sclerosis. These physio-pathological parameters allowed an advanced analysis of patients’ state. In backward regressions, The Virtual Brain parameters significantly contributed to explain the variation of neuropsychological scores and, in discriminant analysis, the combination of The Virtual Brain parameters and neuropsychological scores significantly improved discriminative power between clinical conditions. Eventually, cluster analysis provided a unique description of the excitatory/inhibitory balance in individual patients. In aggregate, The Virtual Brain simulations reveal differences in the excitatory/inhibitory balance of individual patients that, combined with cognitive assessment, can promote the personalized diagnosis and therapy of neurodegenerative diseases.

Abstract Introduction Neural circuit alterations lay at the core of brain physiopathology, and yet are hard to unveil in living subjects. Virtual brain modelling (TVB), by exploiting structural and functional MRI, yields mesoscopic parameters of connectivity and synaptic transmission. Methods We used TVB to simulate brain networks, which are key for human brain function, in Alzheimer’s disease (AD) and Frontotemporal Dementia (FTD) patients, whose connectivity and synaptic parameters remain largely unknown; we then compared them to healthy controls, to reveal novel in vivo pathological hallmarks. Results The pattern of simulated parameter differed between AD and FTD, shedding light on disease-specific alterations in brain networks. Individual subjects displayed subtle differences in network parameter patterns that significantly correlated with their individual neuropsychological, clinical, and pharmacological profiles. Discussion These TVB simulations, by informing about a new personalized set of networks parameters, open new perspectives for understanding dementias mechanisms and design personalized therapeutic approaches.

Temporal lobe epilepsy (TLE) is the most common form of focal epilepsy. Parameters of microstructural abnormalities derived from diffusion tensor imaging(DTI) have been reported to be helpful in differentiating between Left and Right TLE (L-TLE and R-TLE) but few of them compared L-TLE and R-TLE with a voxelwise approach. In this study, a whole brain tract based spatial statistical analysis was performed on DTI, diffusion kurtosis and NODDI derived parameters of 88 subjects to identify specific white matter patterns of alteration in patient affected by L-TLE and R-TLE with respect to healthy controls. Our findings demonstrated the presence of specific patterns of white matter alterations, with L-TLE more widely affected both in cerebral and cerebellar regions. This result supports the need to consider patients separately, according to the side of their pathology.

Abstract Dentate nuclei (DNs) segmentation is helpful for assessing their potential involvement in neurological diseases. Once DNs have been segmented, it becomes possible to investigate whether DNs they are microstructurally affected, through analysis of quantitative MRI parameters, such as the ones derived from diffusion weighted imaging (DWI). This study, therefore, aimed to develop a fully automated segmentation method using the non-DWI (b0) images from a DWI dataset to obtain DN masks inherently registered with parameter maps. Three different automatic methods were applied to healthy subjects in order to segment the DNs: registration to SUIT (a spatially unbiased atlas template of the cerebellum and brainstem), OPAL (Optimized Patch Match for Label fusion) and CNN (Convolutional Neural Network). DNs manual segmentation was considered the gold standard. Results show that the segmentation obtained with SUIT has an average Dice Similarity Coefficient (DSC) of 0.4907±0.0793 between the automatic SUIT masks and the gold standard. A comparison with manual masks was also performed for OPAL (DSC = 0.7624 ± 0.1786) and CNN (DSC = 0.8658 ± 0.0255), showing a better performance when using CNN. OPAL and CNN were optimised on heathy subjects’ data with high spatial resolution from the Human Connectome Project. The three methods were further used to segment the DNs of a subset of subjects affected by Temporal Lobe Epilepsy (TLE). This subset was derived from a 3T MRI research study which included DWI data acquired with a coarser resolution. In TLE dataset, SUIT performed similarly to using the HCP dataset, with a DSC = 0.4145 ± 0.1023. Using TLE data, OPAL performed worse than using HCP data: after changing the probability threshold the DSC was 0.4522 ± 0.1178. CNN was able to extract the DNs using the TLE data without need for retraining and with a good DSC = 0.7368 ± 0.0799. Statistical comparison of quantitative parameters derived from DWI analysis, as well as volumes of each DN, revealed altered and lateralised changes in TLE patients compared to healthy controls. The proposed CNN is therefore a viable option for accurate extraction of DNs from b0 images of DWI data with different resolutions and acquired at different sites.

Purpose: Fiber tracking with diffusion weighted magnetic resonance imaging has become an essential tool for estimating in vivo brain white matter architecture. Fiber tracking results are sensitive to the choice of processing method and tracking criteria. Phantom studies provide concrete quantitative comparisons of methods relative to absolute ground truths, yet do not capture variabilities because of in vivo physiological factors. Methods: To date, a large-scale reproducibility analysis has not been performed for the assessment of the newest generation of tractography algorithms with in vivo data. Reproducibility does not assess the validity of a brain connection however it is still of critical importance because it describes the variability for an algorithm in group studies. The ISMRM 2017 TraCED challenge was created to fulfill the gap. The TraCED dataset consists of a single healthy volunteer scanned on two different scanners of the same manufacturer. The multi-shell acquisition included b-values of 1000, 2000 and 3000 s/mm2 with 20, 45 and 64 diffusion gradient directions per shell, respectively. Results: Nine international groups submitted 46 tractography algorithm entries. The top five submissions had high ICC > 0.88. Reproducibility is high within these top 5 submissions when assessed across sessions or across scanners. However, it can be directly attributed to containment of smaller volume tracts in larger volume tracts. This holds true for the top five submissions where they are contained in a specific order. While most algorithms are contained in an ordering there are some outliers. Conclusion: The different methods clearly result in fundamentally different tract structures at the more conservative specificity choices (i.e., volumetrically smaller tractograms). The data and challenge infrastructure remain available for continued analysis and provide a platform for comparison.

Abstract A characteristic feature of human cognition is our ability to ‘multi-task’ – performing two or more tasks in parallel – particularly when one task is well-learned. How the brain supports this capacity remains poorly understood. Most past studies have focussed on identifying the areas of the brain – typically the dorsolateral prefrontal cortex – that are required to navigate information processing bottlenecks. In contrast, we take a systems neuroscience approach to test the hypothesis that the capacity to conduct effective parallel processing relies on a distributed architecture that interconnects the cerebral cortex with the cerebellum. The latter structure contains over half of the neurons in the adult human brain, and is well-suited to support the fast, effective, dynamic sequences required to perform tasks relatively automatically. By delegating stereotyped within-task computations to the cerebellum, the cerebral cortex can be freed up to focus on the more challenging aspects of performing the tasks in parallel. To test this hypothesis, we analysed task-based fMRI data from 50 participants who performed a task in which they either balanced an avatar on a screen (‘Balance’), performed serial-7 subtractions (‘Calculation’) or performed both in parallel (‘Dual-Task’). Using a set of approaches that include dimensionality reduction, structure-function coupling and time-varying functional connectivity, we provide robust evidence in support of our hypothesis. We conclude that distributed interactions between the cerebral cortex and cerebellum are crucially involved in parallel processing in the human brain.

The development of biologically realistic models of brain microcircuits and regions constitutes currently a very relevant topic in computational neuroscience. One of the main challenges of such models is the passage between different scales, going from the microscale (cellular) to the meso (microcircuit) and macroscale (region or whole-brain level), while keeping at the same time a constraint on the demand of computational resources. In this paper we introduce a multiscale modeling framework for the hippocampal CA1, a region of the brain that plays a key role in functions such as learning, memory consolidation and navigation. Our modeling framework goes from the single cell level to the macroscale and makes use of a novel mean-field model of CA1, introduced in this paper, to bridge the gap between the micro and macro scales. We test and validate the model by analyzing the response of the system to the main brain rhythms observed in the hippocampus and comparing our results with the ones of the corresponding spiking network model of CA1. Then, we analyze the implementation of synaptic plasticity within our framework, a key aspect to study the role of hippocampus in learning and memory consolidation, and we demonstrate the capability of our framework to incorporate the variations at synaptic level. Finally, we present an example of the implementation of our model to study a stimulus propagation at the macro-scale level, and we show that the results of our framework can capture the dynamics obtained in the corresponding spiking network model of the whole CA1 area.