Abstract Brain communication, defined as information transmission through white-matter connections, is at the foundation of the brain’s computational capacities that subtend almost all aspects of behavior: from sensory perception shared across mammalian species, to complex cognitive functions in humans. How did communication strategies in macroscale brain networks adapted across evolution to accomplish increasingly complex functions? By applying a graph- and information-theory approach to assess information-related pathways in mouse, macaque and human brains, we show a brain communication gap between selective information transmission in non-human mammals, where brain regions share information through single polysynaptic pathways, and parallel information transmission in humans, where regions share information through multiple parallel pathways. In humans, parallel transmission acts as a major connector between unimodal and transmodal systems. The layout of information-related pathways is unique to individuals across different mammalian species, pointing at the individual-level specificity of information routing architecture. Our work provides evidence that different communication patterns are tied to the evolution of mammalian brain networks.

Background: Amnestic syndrome of the hippocampal type (ASHT) in Memory Clinics is a presentation common to Alzheimer’s disease (AD). However, ASHT can be found in other neurodegenerative disorders. Objective: To compare brain morphometry including hippocampal volumes between amnestic older adults with and without AD pathology and investigate their relationship with memory performance and cerebrospinal fluid (CSF) biomarkers. Methods: Brain morphometry of 92 consecutive patients (72.5±6.8 years old; 39% female) with Free and Cued Selective Recall Reminding Test (FCSRT) total recall < 40/48 was assessed with an automated algorithm and compared between AD and non-AD patients, as defined by CSF biomarkers. Results: AD and non-AD patients presented comparable brain morphology. Total recall was associated to hippocampal volume irrespectively from AD pathology. Conclusions: Brain morphometry, including hippocampal volumes, is similar between AD and non-AD older adults with ASHT evaluated in a Memory Clinic, underlying the importance of using molecular biomarkers for the diagnosis of AD.

Alzheimer's Disease (AD) is the leading cause of dementia. It results in cortical thickness changes and is associated with a decline in cognition and behaviour. Such decline affects multiple important day-to-day functions, including memory, language, orientation, judgment and problem-solving. Recent research has made important progress in identifying brain regions associated with single outcomes, such as individual AD status and general cognitive decline. The complex projection from multiple brain areas to multiple AD outcomes, however, remains poorly understood. This makes the assessment and especially the prediction of multiple AD outcomes - each of which may unveil an integral yet different aspect of the disease - challenging, particularly when some are not strongly correlated. Here, uniting residual learning, partial least squares (PLS), and predictive modelling, we develop an explainable, generalisable, and reproducible method called the Residual Partial Least Squares Learning (the re-PLS Learning) to (1) chart the pathways between large-scale multivariate brain cortical thickness data (inputs) and multivariate disease and behaviour data (outcomes); (2) simultaneously predict multiple, non-pairwise-correlated outcomes; (3) control for confounding variables (e.g., age and gender) affecting both inputs and outcomes and the pathways in-between; (4) perform longitudinal AD disease status classification and disease severity prediction. We evaluate the performance of the proposed method against a variety of alternatives on data from AD patients, subjects with mild cognitive impairment (MCI), and cognitively normal individuals (n=1,196) from the Alzheimer's Disease Neuroimaging Initiative (ADNI). Our results unveil pockets of brain areas in the temporal, frontal, sensorimotor, and cingulate areas whose cortical thickness may be respectively associated with declines in different cognitive and behavioural subdomains in AD. Finally, we characterise re-PLS' geometric interpretation and mathematical support for delivering meaningful neurobiological insights and provide an open software package (re-PLS) available at https://github.com/thanhvd18/rePLS.

Motivation: Cerebral microbleeds (CMBs) are small brain hemorrhages detectable with MRI associated with conditions like cerebral amyloid angiopathy. As their detection can be difficult, automated methods are needed for quick and precise detection and localization of CMBs. Goal(s): To propose an algorithm to detect CMBs. Approach: A neural network was trained on SWI/T2* images, with artificial bleeds generated and added during training. The model&rsquo;s performance was tested on an independent test set with actual CMBs. Results: Despite the absence of real CMBs in the training data, the simulated bleeds provided sufficient information to train a model with good performance in the independent test set. Impact: We propose an algorithm that can help with the tedious radiological task of detecting cerebral microbleeds in the brain. We further demonstrate that a model trained solely on simulated bleeds can effectively detect actual microbleeds in real MRI data.

Motivation: Magnetic resonance parkinsonism index (MRPI) has shown promising results in differentiating progressive supranuclear palsy from idiopathic Parkinson&rsquo;s disease and the Parkinson variant of multiple system atrophy (MSA-P). Goal(s): In this work, we propose a fully automated pipeline to calculate MRPI using a convolutional neural network (CNN). This can be a time-saving tool in making diagnoses in clinically ambiguous cases. Approach: Our method utilizes registration and deep learning-based segmentation techniques to extract relevant measurements from T1 weighted MRI images (T1w). Results: Experimental results demonstrated the robustness of our approach and its generalizability across different clinical settings. Impact: Automating the measurement of MRPI components with a deep learning based algorithm can help providing objective and reproducible measures. It may be beneficial for differential diagnosis of patients with Parkinsonian syndromes with significant savings in reporting time.