Abstract Background While functional connectivity is widely studied, there has been little work studying functional connectivity at different spatial scales. Likewise, the relationship of functional connectivity between spatial scales is unknown. Methods We proposed an independent component analysis (ICA) - based approach to capture information at multiple model orders (component numbers) and to evaluate functional network connectivity (FNC) both within and between model orders. We evaluated the approach by studying group differences in the context of a study of resting fMRI (rsfMRI) data collected from schizophrenia (SZ) individuals and healthy controls (HC). The predictive ability of FNC at multiple spatial scales was assessed using support vector machine (SVM)-based classification. Results In addition to consistent predictive patterns at both multiple-model orders and single model orders, unique predictive information was seen at multiple-model orders and in the interaction between model orders. We observed that the FNC between model order 25 and 50 maintained the highest predictive information between HC and SZ. Results highlighted the predictive ability of the somatomotor and visual domains both within and between model orders compared to other functional domains. Also, subcortical-somatomotor, temporal-somatomotor, and temporal-subcortical FNCs had relatively high weights in predicting SZ. Conclusions In sum, multi-model order ICA provides a more comprehensive way to study FNC, produces meaningful and interesting results which are applicable to future studies. We shared the spatial templates from this work at different model orders to provide a reference for the community, which can be leveraged in regression-based or fully automated (spatially constrained) ICA approaches. Impact Statement Multi-model order ICA provides a comprehensive way to study brain functional network connectivity within and between multiple spatial scales, highlighting findings that would have been ignored in single model order analysis. This work expands upon and adds to the relatively new literature on resting fMRI-based classification and prediction. Results highlighted the differentiating power of specific intrinsic connectivity networks on classifying brain disorders of schizophrenia patients and healthy participants, at different spatial scales. The spatial templates from this work provide a reference for the community, which can be leveraged in regression-based or fully automated ICA approaches.

ABSTRACT In this work, we focus on explicitly nonlinear relationships in functional networks. We introduce a technique using normalized mutual information (MI), that calculates the nonlinear correlation between different brain regions. We demonstrate our proposed approach using simulated data, then apply it to a dataset previously studied in (Damaraju et al., 2014). This resting-state fMRI data included 151 schizophrenia patients and 163 age- and gender-matched healthy controls. We first decomposed these data using group independent component analysis (ICA) and yielded 47 functionally relevant intrinsic connectivity networks. Our analysis showed a modularized nonlinear relationship among brain functional networks that was particularly noticeable in the sensory and visual cortex. Interestingly, the modularity appears both meaningful and distinct from that revealed by the linear approach. Group analysis identified significant differences in nonlinear dependencies between schizophrenia patients and healthy controls particularly in visual cortex, with controls showing more nonlinearity in most cases. Certain domains, including cognitive control, and default mode, appeared much less nonlinear, whereas links between the visual and other domains showed evidence of substantial nonlinear and modular properties. Overall, these results suggest that quantifying nonlinear dependencies of functional connectivity may provide a complementary and potentially important tool for studying brain function by exposing relevant variation that is typically ignored. Further, we propose a method that captures both linear and nonlinear effects in a ‘boosted’ approach. This method increases the sensitivity to group differences in comparison to the standard linear approach, at the cost of being unable to separate linear and nonlinear effects.

Abstract Brain functional networks identified from resting fMRI data have the potential to reveal biomarkers for brain disorders, but studies of complex mental illnesses such as schizophrenia (SZ) often yield mixed results across replication studies. This is likely due in part to the complexity of the disorder, the short data acquisition time, and the limited ability of the approaches for brain imaging data mining. Therefore, the use of analytic approaches which can both capture individual variability while offering comparability across analyses is highly preferred. Fully blind data-driven approaches such as independent component analysis (ICA) are hard to compare across studies, and approaches that use fixed atlas-based regions can have limited sensitivity to individual sensitivity. By contrast, spatially constrained ICA (scICA) provides a hybrid, fully automated solution that can incorporate spatial network priors while also adapting to new subjects. However, scICA has thus far only been used with a single spatial scale. In this work, we present an approach using scICA to extract subject-specific intrinsic connectivity networks (ICNs) from fMRI data at multiple spatial scales (ICA model orders), which also enables us to study interactions across spatial scales. We evaluate this approach using a large N (N>1,600) study of schizophrenia divided into separate validation and replication sets. A multi-scale ICN template was estimated and labeled, then used as input into spatially constrained ICA which was computed on an individual subject level. We then performed a subsequent analysis of multiscale functional network connectivity (msFNC) to evaluate the patient data, including group differences and classification. Results showed highly consistent group differences in msFNC in regions including cerebellum, thalamus, and motor/auditory networks. Importantly, multiple msFNC pairs linking different spatial scales were implicated. We also used the msFNC features as input to a classification model in cross-validated hold-out data and also in an independent test data. Visualization of predictive features was performed by evaluating their feature weights. Finally, we evaluated the relationship of the identified patterns to positive symptoms and found consistent results across datasets. The results verified the robustness of our framework in evaluating brain functional connectivity of schizophrenia at multiple spatial scales, implicated consistent and replicable brain networks, and highlighted a promising approach for leveraging resting fMRI data for brain biomarker development.

Abstract INTRODUCTION Down syndrome (DS) is associated with elevated risk for Alzheimer’s disease (AD) due to beta amyloid (Aβ) lifelong accumulation. We hypothesized that the spatial distribution of brain Aβ predicts future dementia conversion in individuals with DS. METHODS We acquired 18 F-Florbetapir PET scans from 19 nondemented individuals with DS at baseline and monitored them for four years, with five individuals transitioning to dementia. Machine learning classification determined features on 18 F-Florbetapir standardized uptake value ratio (SUVR) maps that predicted transition. RESULTS In addition to “AD signature” regions including the inferior parietal cortex, temporal lobes, and the cingulum, we found that Aβ cortical binding in the prefrontal and superior frontal cortices distinguished subjects who transitioned to dementia. Classification did well in predicting transitioners. DISCUSSION Our study suggests that specific regional profiles of brain amyloid in older adults with DS may predict cognitive decline and are informative in evaluating the risk for dementia. Highlights Regional [18F]-Florbetapir PET predicts future transition to dementia in Downs Syndrome. Increased amyloid in prefrontal, inferior parietal, superior frontal, rostral middle frontal, and posterior cingulate cortices detect transitioiners, with prefrontal and superior frontal being best overall. Amyloid PET-based classification able to discriminate between transitioners and non-transitioners.

Schizophrenia (SZ) is a complex psychiatric disorder that is currently defined by symptomatic and behavioral, rather than biological, criteria. Neuroimaging is an appealing avenue for SZ biomarker development, as several neuroimaging-based studies comparing individuals with SZ to healthy controls (HC) have shown measurable group differences in brain structure, as well as functional brain alterations in both static and dynamic functional network connectivity (sFNC and dFNC, respectively). The recently proposed filter-banked connectivity (FBC) method extends the standard dFNC sliding-window approach to estimate FNC within an arbitrary number of distinct frequency bands. The initial implementation used a set of filters spanning the full connectivity spectral range, providing a unified approach to examine both sFNC and dFNC in a single analysis. Initial FBC results found that individuals with SZ spend more time in a less structured, more disconnected low-frequency (i.e., static) FNC state than HC, as well as preferential SZ occupancy in high-frequency connectivity states, suggesting a frequency-specific component underpinning the functional dysconnectivity observed in SZ. Building on these findings, we sought to link such frequency-specific patterns of FNC to covarying data-driven structural brain networks in the context of SZ. Specifically, we employ a multi-set canonical correlation analysis + joint independent components analysis (mCCA + jICA) data fusion framework to study the connection between grey matter volume (GMV) maps and FBC states across the full connectivity frequency spectrum. Our multimodal analysis identified two joint sources that captured co-varying patterns of frequency-specific functional connectivity and alterations in GMV with significant group differences in loading parameters between the SZ group and HC. The first joint source linked frequency-modulated connections between the subcortical and sensorimotor networks and GMV alterations in the frontal and temporal lobes, while the second joint source identified a relationship between low-frequency cerebellar-sensorimotor connectivity and structural changes in both the cerebellum and motor cortex. Together, these results show a strong connection between cortico-subcortical functional connectivity at both high and low frequencies and alterations in cortical GMV that may be relevant to the pathogenesis and pathophysiology of SZ.

The brain is highly dynamic, reorganizing its activity at different interacting spatial and temporal scales including variation within and between brain networks. The chronnectome is a model of the brain in which nodal activity and connectivity patterns are changing in fundamental and recurring ways through time. Most previous work has assumed fixed spatial nodes/networks, ignoring the possibility that spatial nodes or networks may vary in time, particularly at the level of the voxel. Here, we introduce an approach allowing for a spatially fluid chronnectome (called the spatial chronnectome for clarity), which focuses on the variation in spatiotemporal coupling at the voxel level within each network. We identify a novel set of spatially dynamic features which can be obtained and evaluated under different conditions. Results reveal transient spatially fluid interactions between intra- and inter-network relationships in which brain networks transiently merge and then separate again, emphasizing the dynamic interplay between segregation and integration. We also show that brain networks exhibit distinct spatial patterns with unique temporal characteristics, potentially explaining a broad spectrum of inconsistencies in previous studies which assumed static networks. Moreover, we show for the first time that anticorrelative connections to the default mode network, are transient as opposed to constant across the entire scan. Preliminary assessments of the approach using a multi-site dataset collected from 160 healthy subjects and 149 patients with schizophrenia (SZ) revealed the ability of the approach to obtain new information and nuanced alterations of brain networks that remain undetected during static analysis. For example, patients with SZ display transient decreases in voxel-wise network coupling including within visual and auditory networks that are not detectable in a spatially static analysis. Our approach also enabled calculation of a novel parameter, the intra-domain coupling variability which was higher within patients with SZ. The significant association between spatiotemporal uniformity and attention/vigilance cognitive domain highlights the cognitive relevance of the spatial chronnectome. In summary, the spatial chronnectome represents a new direction of research enabling the study of functional networks that are transient at the voxel level and identification of mechanisms for within and between-subject spatial variability to study functional brain homeostasis.

Brain genetics is an active research area. The degree to which genetic variants impact variations in brain structure and function remains largely unknown. We examined the heritability of regional brain volumes (p ~ 100) captured by single-nucleotide polymorphisms (SNPs) in UK Biobank (n ~ 9000). We found that regional brain volumes are highly heritable in this study population. We observed omni-genic impact across the genome as well as enrichment of SNPs in active chromatin regions. Principal components derived from regional volume data are also highly heritable, but the amount of variance in brain volume explained by the component did not seem to be related to its heritability. Heritability estimates vary substantially across large-scale functional networks and brain regions. The variation in heritability across regions was not related to measurement reliability. Heritability estimates exhibit a symmetric pattern across left and right hemispheres and are consistent in females and males. Our main findings in UK Biobank are consistent with those in Alzheimers Disease Neuroimaging Initiative (n ~ 1100), Philadelphia Neurodevelopmental Cohort (n ~ 600), and Pediatric Imaging, Neurocognition, and Genetics (n ~ 500) datasets, with more stable estimates in UK Biobank.

As very large studies of complex neuroimaging phenotypes become more common, human quality assessment of MRI-derived data remains one of the last major bottlenecks. Few attempts have so far been made to address this issue with machine learning. In this work, we optimize predictive models of quality for meshes representing deep brain structure shapes. We use standard vertex-wise and global shape features computed homologously across 19 cohorts and over 7500 human-rated subjects, training kernelized Support Vector Machine and Gradient Boosted Decision Trees classifiers to detect meshes of failing quality. Our models generalize across datasets and diseases, reducing human workload by 30-70%, or equivalently hundreds of human rater hours for datasets of comparable size, with recall rates approaching inter-rater reliability.

There is growing evidence that rather than using a single brain imaging modality to study its association with physiological or symptomatic features, the field is paying more attention to fusion of multimodal information. However, most current multimodal fusion approaches that incorporate functional magnetic resonance imaging (fMRI) are restricted to second-level 3D features, rather than the original 4D fMRI data. This trade-off is that the valuable temporal information is not utilized during the fusion step. Here we are motivated to propose a novel approach called 'parallel group ICA+ICA' that incorporates temporal fMRI information from GICA into a parallel ICA framework, aiming to enable direct fusion of first-level fMRI features with other modalities (e.g. structural MRI), which thus can detect linked functional network variability and structural covariations. Simulation results show that the proposed method yields accurate inter-modality linkage detection regardless of whether it is strong or weak. When applied to real data, we identified one pair of significantly associated fMRI-sMRI components that show group difference between schizophrenia and controls in both modalities. Finally, multiple cognitive domain scores can be predicted by the features identified in the linked component pair by our proposed method. We also show these multimodal brain features can predict multiple cognitive scores in an independent cohort. Overall, results demonstrate the ability of parallel GICA+ICA to estimate joint information from 4D and 3D data without discarding much of the available information up front, and the potential for using this approach to identify imaging biomarkers to study brain disorders.

INTRODUCTION: Down syndrome (DS) is associated with elevated risk for Alzheimers disease (AD) and lifelong accumulation of beta amyloid (Aβ). The current work addresses two major gaps in our understanding of Alzheimers disease (AD) in Downs Syndrome (DS): (1) regional amyloid aggregation and reliability in predicting onset or progression of disease in sporadic AD, and (2) the contributions of regional amyloid burden to AD progression in DS. We hypothesized that the spatial distribution of Aβ plaque burden predicts transition to dementia in individuals with DS. METHODS: We acquired 18F-Florbetapir Positron Emission Tomography (PET) scans on nineteen non-demented adult individuals with DS at baseline and monitored them clinically over a four year period, identifying five individuals who transitioned to dementia. We used machine learning classification to determine features on 18F-Florbetapir standardized uptake value ratio (SUVR) maps that were most predictive of transition. RESULTS: Of the nineteen participants, fourteen remained non-demented (age 50.4±4.3 yrs.;10M/4F) and five transitioned to dementia (age 52.1±5.7;2M/3F) over the study period. Compared with non-transitioned participants, those who transitioned showed increased amyloid binding in the middle and superior orbital-frontal and superior temporal lobes (t(14)=3.8;p<0.001 unc.) with corresponding Cohens d effect sizes ranged from 1.4-3.2. Increased amyloid burden in subjects who transitioned temporally closer to the baseline PET scan were found in the middle and superior temporal lobes (t(3)=10.2; p<0.001 unc.). The coefficient of determination (r squared) measures ranged from 0.87-0.98 corresponding to a strong relationship between regional amyloid burden and the transition time to clinical dementia. Using regional amyloid burden to predict future transition using 10-fold cross-validated logistic regression classifiers resulted in inferior parietal lobe (area under receiver operating characteristic curve (AUC) 0.96±0.04), inferior and superior temporal lobes (AUC=0.92±0.11; 0.93±0.10), and lateral orbital-frontal lobes (AUC=0.92±0.11) as the most predictive signals. DISCUSSION: The spatial distribution of Aβ burden in individuals with DS, and in particular 18F-Florbetapir uptake in the orbitofrontal and inferior parietal cortices, may serve as biomarkers, predicting clinical transition to dementia in DS.