Abstract Ketamine is increasingly being used as a therapeutic for treatment-resistant depression (TRD), yet the effects of ketamine on the human brain remain largely unknown. This pilot study employed diffusion magnetic resonance imaging (dMRI) to examine relationships between ketamine treatment and white matter (WM) microstructure, with the aim of increasing the current understanding of ketamine’s neural mechanisms of action in humans. Longitudinal dMRI data were acquired from 13 individuals with TRD two hours prior to (pre-infusion), and four hours following (post-infusion), an intravenous ketamine infusion. Free-water imaging was employed to quantify cerebrospinal fluid-corrected mean fractional anisotropy (FA) in 15 WM bundles pre- and post-infusion. Analyses revealed that higher pre-infusion FA in the left cingulum bundle and the left superior longitudinal fasciculus was associated with greater depression symptom improvement 24 h post-ketamine. Moreover, four hours after intravenous administration of ketamine, FA rapidly increased in numerous WM bundles in the brain; this increase was significantly associated with 24 h symptom improvement in select bundles. Overall, the results of this preliminary study suggest that WM properties, as measured by dMRI, may have a potential impact on clinical improvement following ketamine. Ketamine administration additionally appears to be associated with rapid WM diffusivity changes, suggestive of rapid changes in WM microstructure. This study thus points to pre-treatment WM structure as a potential factor associated with ketamine’s clinical efficacy, and to post-treatment microstructural changes as a candidate neuroimaging marker of ketamine’s cellular mechanisms.

Abstract The findings from diffusion-weighted magnetic resonance imaging (dMRI) studies often show inconsistent and sometimes contradictory results due to small sample sizes as well as differences in acquisition parameters and pre-/post-processing methods. To address these challenges, collaborative multi-site initiatives have provided an opportunity to collect larger and more diverse groups of subjects, including those with neuropsychiatric disorders, leading to increased power and findings that may be more representative at the group and individual level. With the availability of these datasets openly, the ability of joint analysis of multi-site dMRI data has become more important than ever. However, intrinsic- or acquisition-related variability in scanner models, acquisition protocols, and reconstruction settings hinder pooling multi-site dMRI directly. One powerful and fast statistical harmonization method called ComBat ( https://github.com/Jfortin1/ComBatHarmonization ) was developed to mitigate the “batch effect” in gene expression microarray data and was adapted for multi-site dMRI harmonization to reduce scanner/site effect. Our goal is to evaluate this commonly used harmonization approach using a large diffusion MRI dataset involving 542 individuals from 5 sites. We investigated two important aspects of using ComBat for harmonization of fractional anisotropy (FA) across sites: First, we assessed how well ComBat preserves the inter-subject biological variability (measured by the effect sizes of between-group FA differences) after harmonization. Second, we evaluated the effect of minor differences in pre-processing on ComBat’s performance. While the majority of effect sizes are mostly preserved in some sites after harmonization, they are not well-preserved at other sites where non-linear scanner contributions exist. Further, even minor differences in pre-processing can yield unwanted effects during ComBat harmonization. Thus, our findings suggest paying careful attention to the data being harmonized as well as using the same processing pipeline while using ComBat for data harmonization.

Abstract The Adolescent Brain Cognitive Development (ABCD) study has collected data from over 10,000 children across 21 sites, providing valuable insights into adolescent brain development. However, site-specific scanner variability has made it challenging to use diffusion MRI (dMRI) data from this study. To address this, a database of harmonized and processed ABCD dMRI data has been created, comprising quality-controlled imaging data from 9345 subjects. This resource required significant computational effort, taking ∼50,000 CPU hours to harmonize the data, perform white matter parcellation, and run whole brain tractography. The database includes harmonized dMRI data, 800 white matter clusters, 73 anatomically labeled white matter tracts both in full-resolution (for analysis) and low-resolution (for visualization), and 804 different dMRI-derived measures per subject. It is available via the NIMH Data Archive and offers tremendous potential for scientific discoveries in structural connectivity studies of neurodevelopment in children and adolescents. Additionally, several post-harmonization experiments were conducted to demonstrate the success of the harmonization process on the ABCD dataset.

Abstract The study of brain differences across Eastern and Western populations provides vital insights for understanding potential cultural and genetic influences on cognition and mental health. Diffusion MRI (dMRI) tractography is an important tool in assessing white matter (WM) connectivity and brain tissue microstructure across different populations. However, a comprehensive investigation into WM fiber tracts between Eastern and Western populations is challenged due to the lack of a cross-population WM atlas and the large site-specific variability of dMRI data. This study presents a dMRI tractography atlas, namely the East-West WM Atlas , for concurrent WM mapping between Eastern and Western populations and creates a large, harmonized dMRI dataset (n=306) based on the Human Connectome Project and the Chinese Human Connectome Project. The curated WM atlas, as well as subject-specific data including the harmonized dMRI data, the whole brain tractography data, and parcellated WM fiber tracts and their diffusion measures, are publicly released. This resource is a valuable addition to facilitating the exploration of brain commonalities and differences across diverse cultural backgrounds.

Motivation: Existing white matter atlases are usually created based on a certain population, which may omit subtle differences across populations from different cultures. Goal(s): This study presents a fine-scale white matter atlas that is created concurrently using high-quality diffusion MRI data from both Eastern and Western populations. Approach: The curated atlas includes a cluster-level parcellation of 800 fiber clusters from the entire brain and an anatomical tract parcellation of 53 major long-range white matter connections. Results: Comparative assessment between the two populations within the atlas shows highly visually similar white matter geometry but significant differences when measuring streamline counts in the fiber parcels. Impact: We propose a diffusion MRI tractography atlas that enables concurrent white matter parcellation across Eastern and Western populations. While the white matter geometry is visually similar, the number of streamlines in the fiber parcels differs significantly between the two populations.

Abstract Purpose Diffusion MRI (dMRI) data typically suffer of marked cross-site variability, which prevents naively performing pooled analyses. To attenuate cross-site variability, harmonization methods such as the rotational invariant spherical harmonics (RISH) have been introduced to harmonize the dMRI data at the signal level. A common requirement of the RISH method, is the availability of healthy individuals who are matched at the group level, which may not always be readily available, particularly retrospectively. In this work, we propose a framework to harmonize dMRI without matched training groups. Methods Our framework learns harmonization features while controlling for potential covariates using a voxel-based generalized linear model (RISH-GLM). RISH-GLM allows to harmonize simultaneously data from any number of sites while also accounting for covariates of interest, thus not requiring matched training subjects. Additionally, RISH-GLM can harmonize data from multiple sites in a single step, whereas RISH is performed for each site independently. Results We considered data of training subjects from retrospective cohorts acquired with 3 different scanners and performed 3 harmonization experiments of increasing complexity. First, we demonstrate that RISH-GLM is equivalent to conventional RISH when trained with data of matched training subjects. Secondly, we demonstrate that RISH-GLM can effectively learn harmonization with two groups of highly unmatched subjects. Thirdly, we evaluate the ability of RISH-GLM to simultaneously harmonized data from 3 different sites. Discussion RISH-GLM can learn cross-site harmonization both from matched and unmatched groups of training subjects, and can effectively be used to harmonize data of multiple sites in one single step.

Motivation: The Human Connectome Project (HCP) is a multi-site neuroimaging initiative that studies brain connections across the lifespan and in diseases. Scanner variability, especially in diffusion MRI (dMRI) data, can introduce bias and prevent reliable pooling of data. Goal(s): We present our harmonization efforts on the dMRI data from 11 HCP datasets using a well-validated harmonization algorithm based on rotation-invariant spherical harmonics. Approach: Using several diffusion measures, we demonstrate that harmonization removes significant statistical differences between datasets. Results: Harmonized HCP dMRI data will be shared in the NIMH Data Archive and facilitate large-scale analysis and potentially enhance our understanding of neurological and psychiatric disorders. Impact: Harmonizing diffusion MRI data from 11 Human Connectome Project scanners enables more reliable cross-site brain connectivity analyses. Leveraging large-scale harmonized diffusion MRI data can enhance statistical power, paving the way for advanced neurological and psychiatric insights within the HCP study.

Neuroimaging-based prediction of neurocognitive measures is valuable for studying how the brain's structure relates to cognitive function. However, the accuracy of prediction using popular linear regression models is relatively low. We propose a novel deep regression method, namely TractoSCR , that allows full supervision for contrastive learning in regression tasks using diffusion MRI tractography. TractoSCR performs supervised contrastive learning by using the absolute difference between continuous regression labels (i.e., neurocognitive scores) to determine positive and negative pairs. We apply TractoSCR to analyze a large-scale dataset including multi-site harmonized diffusion MRI and neurocognitive data from 8,735 participants in the Adolescent Brain Cognitive Development (ABCD) Study. We extract white matter microstructural measures using a fine parcellation of white matter tractography into fiber clusters. Using these measures, we predict three scores related to domains of higher-order cognition (general cognitive ability, executive function, and learning/memory). To identify important fiber clusters for prediction of these neurocognitive scores, we propose a permutation feature importance method for high-dimensional data. We find that TractoSCR obtains significantly higher accuracy of neurocognitive score prediction compared to other state-of-the-art methods. We find that the most predictive fiber clusters are predominantly located within the superficial white matter and projection tracts, particularly the superficial frontal white matter and striato-frontal connections. Overall, our results demonstrate the utility of contrastive representation learning methods for regression, and in particular for improving neuroimaging-based prediction of higher-order cognitive abilities. Our code will be available at: https://github.com/SlicerDMRI/TractoSCR .

BACKGROUND: The heterogeneity of schizophrenia has defied efforts to derive reproducible and definitive anatomical maps of structural brain changes associated with the disorder. We aimed to map deviations from normative ranges of brain structure for individual patients and evaluate whether the loci of individual deviations recapitulated group-average brain maps of schizophrenia pathology. METHODS: For each of 48 white matter tracts and 68 cortical regions, normative percentiles of variation in fractional anisotropy (FA) and cortical thickness (CT) were established using diffusion-weighted and structural MRI from healthy adults (n=195). Individuals with schizophrenia (n=322) were classified as either within the normative range for healthy individuals of the same age and sex (5-95% percentiles), infra-normal (<5% percentile) or supra-normal (>95% percentile). Repeating this classification for each tract and region yielded a deviation map for each individual. RESULTS: Compared to the healthy comparison group, the schizophrenia group showed widespread reductions in FA and CT, involving virtually all white matter tracts and cortical regions. Paradoxically, however, no more than 15-20% of patients deviated from the normative range for any single tract or region, whereas 79% of patients showed infra-normal deviations for at least one locus (healthy individuals: 59 plus/minus 2%, p<0.001). Higher polygenic risk for schizophrenia associated with a greater number of regions with infra-normal deviations in CT (r=-0.17, p=0.006). CONCLUSIONS: Anatomical loci of schizophrenia-related changes are highly heterogeneous across individuals to the extent that group-consensus pathological maps are not representative of most individual patients. Normative modeling can aid in parsing schizophrenia heterogeneity and guiding personalized interventions.