In this study, we have assessed the validity and reliability of an automated labeling system that we have developed for subdividing the human cerebral cortex on magnetic resonance images into gyral based regions of interest (ROIs). Using a dataset of 40 MRI scans we manually identified 34 cortical ROIs in each of the individual hemispheres. This information was then encoded in the form of an atlas that was utilized to automatically label ROIs. To examine the validity, as well as the intra- and inter-rater reliability of the automated system, we used both intraclass correlation coefficients (ICC), and a new method known as mean distance maps, to assess the degree of mismatch between the manual and the automated sets of ROIs. When compared with the manual ROIs, the automated ROIs were highly accurate, with an average ICC of 0.835 across all of the ROIs, and a mean distance error of less than 1 mm. Intra- and inter-rater comparisons yielded little to no difference between the sets of ROIs. These findings suggest that the automated method we have developed for subdividing the human cerebral cortex into standard gyral-based neuroanatomical regions is both anatomically valid and reliable. This method may be useful for both morphometric and functional studies of the cerebral cortex as well as for clinical investigations aimed at tracking the evolution of disease-induced changes over time, including clinical trials in which MRI-based measures are used to examine response to treatment.

Several properties of the cerebral cortex, including its columnar and laminar organization, as well as the topographic organization of cortical areas, can only be properly understood in the context of the intrinsic two-dimensional structure of the cortical surface. In order to study such cortical properties in humans, it is necessary to obtain an accurate and explicit representation of the cortical surface in individual subjects. Here we describe a set of automated procedures for obtaining accurate reconstructions of the cortical surface, which have been applied to data from more than 100 subjects, requiring little or no manual intervention. Automated routines for unfolding and flattening the cortical surface are described in a companion paper. These procedures allow for the routine use of cortical surface-based analysis and visualization methods in functional brain imaging.

Abstract

 We present a technique for automatically assigning a neuroanatomical label to each voxel in an MRI volume based on probabilistic information automatically estimated from a manually labeled training set. In contrast to existing segmentation procedures that only label a small number of tissue classes, the current method assigns one of 37 labels to each voxel, including left and right caudate, putamen, pallidum, thalamus, lateral ventricles, hippocampus, and amygdala. The classification technique employs a registration procedure that is robust to anatomical variability, including the ventricular enlargement typically associated with neurological diseases and aging. The technique is shown to be comparable in accuracy to manual labeling, and of sufficient sensitivity to robustly detect changes in the volume of noncortical structures that presage the onset of probable Alzheimer's disease.

Information processing in the cerebral cortex involves interactions among distributed areas. Anatomical connectivity suggests that certain areas form local hierarchical relations such as within the visual system. Other connectivity patterns, particularly among association areas, suggest the presence of large-scale circuits without clear hierarchical relations. In this study the organization of networks in the human cerebrum was explored using resting-state functional connectivity MRI. Data from 1,000 subjects were registered using surface-based alignment. A clustering approach was employed to identify and replicate networks of functionally coupled regions across the cerebral cortex. The results revealed local networks confined to sensory and motor cortices as well as distributed networks of association regions. Within the sensory and motor cortices, functional connectivity followed topographic representations across adjacent areas. In association cortex, the connectivity patterns often showed abrupt transitions between network boundaries. Focused analyses were performed to better understand properties of network connectivity. A canonical sensory-motor pathway involving primary visual area, putative middle temporal area complex (MT+), lateral intraparietal area, and frontal eye field was analyzed to explore how interactions might arise within and between networks. Results showed that adjacent regions of the MT+ complex demonstrate differential connectivity consistent with a hierarchical pathway that spans networks. The functional connectivity of parietal and prefrontal association cortices was next explored. Distinct connectivity profiles of neighboring regions suggest they participate in distributed networks that, while showing evidence for interactions, are embedded within largely parallel, interdigitated circuits. We conclude by discussing the organization of these large-scale cerebral networks in relation to monkey anatomy and their potential evolutionary expansion in humans to support cognition.

The surface of the human cerebral cortex is a highly folded sheet with the majority of its surface area buried within folds. As such, it is a difficult domain for computational as well as visualization purposes. We have therefore designed a set of procedures for modifying the representation of the cortical surface to (i) inflate it so that activity buried inside sulci may be visualized, (ii) cut and flatten an entire hemisphere, and (iii) transform a hemisphere into a simple parameterizable surface such as a sphere for the purpose of establishing a surface-based coordinate system.

Accurate and automated methods for measuring the thickness of human cerebral cortex could provide powerful tools for diagnosing and studying a variety of neurodegenerative and psychiatric disorders. Manual methods for estimating cortical thickness from neuroimaging data are labor intensive, requiring several days of effort by a trained anatomist. Furthermore, the highly folded nature of the cortex is problematic for manual techniques, frequently resulting in measurement errors in regions in which the cortical surface is not perpendicular to any of the cardinal axes. As a consequence, it has been impractical to obtain accurate thickness estimates for the entire cortex in individual subjects, or group statistics for patient or control populations. Here, we present an automated method for accurately measuring the thickness of the cerebral cortex across the entire brain and for generating cross-subject statistics in a coordinate system based on cortical anatomy. The intersubject standard deviation of the thickness measures is shown to be less than 0.5 mm, implying the ability to detect focal atrophy in small populations or even individual subjects. The reliability and accuracy of this new method are assessed by within-subject test–retest studies, as well as by comparison of cross-subject regional thickness measures with published values.

The Human Connectome Project (HCP) faces the challenging task of bringing multiple magnetic resonance imaging (MRI) modalities together in a common automated preprocessing framework across a large cohort of subjects. The MRI data acquired by the HCP differ in many ways from data acquired on conventional 3 Tesla scanners and often require newly developed preprocessing methods. We describe the minimal preprocessing pipelines for structural, functional, and diffusion MRI that were developed by the HCP to accomplish many low level tasks, including spatial artifact/distortion removal, surface generation, cross-modal registration, and alignment to standard space. These pipelines are specially designed to capitalize on the high quality data offered by the HCP. The final standard space makes use of a recently introduced CIFTI file format and the associated grayordinate spatial coordinate system. This allows for combined cortical surface and subcortical volume analyses while reducing the storage and processing requirements for high spatial and temporal resolution data. Here, we provide the minimum image acquisition requirements for the HCP minimal preprocessing pipelines and additional advice for investigators interested in replicating the HCP's acquisition protocols or using these pipelines. Finally, we discuss some potential future improvements to the pipelines.

We present a technique for automatically assigning a neuroanatomical label to each location on a cortical surface model based on probabilistic information estimated from a manually labeled training set. This procedure incorporates both geometric information derived from the cortical model, and neuroanatomical convention, as found in the training set. The result is a complete labeling of cortical sulci and gyri. Examples are given from two different training sets generated using different neuroanatomical conventions, illustrating the flexibility of the algorithm. The technique is shown to be comparable in accuracy to manual labeling.

The fine spatial scales of the structures in the human brain represent an enormous challenge to the successful integration of information from different images for both within- and between-subject analysis. While many algorithms to register image pairs from the same subject exist, visual inspection shows that their accuracy and robustness to be suspect, particularly when there are strong intensity gradients and/or only part of the brain is imaged. This paper introduces a new algorithm called Boundary-Based Registration, or BBR. The novelty of BBR is that it treats the two images very differently. The reference image must be of sufficient resolution and quality to extract surfaces that separate tissue types. The input image is then aligned to the reference by maximizing the intensity gradient across tissue boundaries. Several lower quality images can be aligned through their alignment with the reference. Visual inspection and fMRI results show that BBR is more accurate than correlation ratio or normalized mutual information and is considerably more robust to even strong intensity inhomogeneities. BBR also excels at aligning partial-brain images to whole-brain images, a domain in which existing registration algorithms frequently fail. Even in the limit of registering a single slice, we show the BBR results to be robust and accurate.

Human Brain MappingVolume 8, Issue 4 p. 272-284 Research ArticleFree to Read High-resolution intersubject averaging and a coordinate system for the cortical surface Bruce Fischl, Bruce Fischl Nuclear Magnetic Resonance Center, Massachusetts General Hospital/Harvard Medical School, Charlestown, MassachusettsSearch for more papers by this authorMartin I. Sereno, Martin I. Sereno Department of Cognitive Science, University of California at San Diego, La Jolla, CaliforniaSearch for more papers by this authorRoger B.H. Tootell, Roger B.H. Tootell Nuclear Magnetic Resonance Center, Massachusetts General Hospital/Harvard Medical School, Charlestown, MassachusettsSearch for more papers by this authorAnders M. Dale, Corresponding Author Anders M. Dale [email protected] Nuclear Magnetic Resonance Center, Massachusetts General Hospital/Harvard Medical School, Charlestown, MassachusettsNuclear Magnetic Resonance Center, Massachusetts Gen. Hosp./Harvard Med. School, Bldg. 149, 13th St., Charlestown, MA 02129.Search for more papers by this author Bruce Fischl, Bruce Fischl Nuclear Magnetic Resonance Center, Massachusetts General Hospital/Harvard Medical School, Charlestown, MassachusettsSearch for more papers by this authorMartin I. Sereno, Martin I. Sereno Department of Cognitive Science, University of California at San Diego, La Jolla, CaliforniaSearch for more papers by this authorRoger B.H. Tootell, Roger B.H. Tootell Nuclear Magnetic Resonance Center, Massachusetts General Hospital/Harvard Medical School, Charlestown, MassachusettsSearch for more papers by this authorAnders M. Dale, Corresponding Author Anders M. Dale [email protected] Nuclear Magnetic Resonance Center, Massachusetts General Hospital/Harvard Medical School, Charlestown, MassachusettsNuclear Magnetic Resonance Center, Massachusetts Gen. Hosp./Harvard Med. School, Bldg. 149, 13th St., Charlestown, MA 02129.Search for more papers by this author First published: 30 November 1999 https://doi.org/10.1002/(SICI)1097-0193(1999)8:4<272::AID-HBM10>3.0.CO;2-4Citations: 2,103AboutPDF ToolsRequest permissionExport citationAdd to favoritesTrack citation ShareShare Give accessShare full text accessShare full-text accessPlease review our Terms and Conditions of Use and check box below to share full-text version of article.I have read and accept the Wiley Online Library Terms and Conditions of UseShareable LinkUse the link below to share a full-text version of this article with your friends and colleagues. Learn more.Copy URL Share a linkShare onEmailFacebookTwitterLinkedInRedditWechat Abstract The neurons of the human cerebral cortex are arranged in a highly folded sheet, with the majority of the cortical surface area buried in folds. Cortical maps are typically arranged with a topography oriented parallel to the cortical surface. Despite this unambiguous sheetlike geometry, the most commonly used coordinate systems for localizing cortical features are based on 3-D stereotaxic coordinates rather than on position relative to the 2-D cortical sheet. In order to address the need for a more natural surface-based coordinate system for the cortex, we have developed a means for generating an average folding pattern across a large number of individual subjects as a function on the unit sphere and of nonrigidly aligning each individual with the average. This establishes a spherical surface-based coordinate system that is adapted to the folding pattern of each individual subject, allowing for much higher localization accuracy of structural and functional features of the human brain. Hum. Brain Mapping 8:272–284, 1999. © 1999 Wiley-Liss, Inc. REFERENCES Bucker RL, Goodman J, Burock M, Rotte M, Koutstaal W, Schacter D, Rosen BR, Dale AM. 1988. Functional-anatomic correlates of object priming in humans revealed by rapid presentation event-related fMRI. Neuron 20: 285–296. Christensen GE, Miller MI, Marsh JL, Vannier MW. 1995. Automatic analysis of medical images using a deformable textbook. In: Proceedings of Computer Assisted Radiology. Berlin: Springer-Verlag. Dale AM, Sereno MI. 1993. Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: a liner approach. J Cognitive Neurosci 5: 162–176. Dale AM, Halgren E, Lewine J, Buckner R, Paulson K, Marinkovic K, Rosen B. 1997. Spatiotemporal localization of cortical word repetition effects in a size-judgment task using combined fMRI/MEG. NeuroImage 4. Dale AM, Fischl B, Sereno MI. 1999. Cortical surface-based analysis I: segmentation and surface reconstruction. NeuroImage 9: 179–194. Medline Davatzikos E. 1997. Spatial transformation and registration of brain images using elastically deformable models. Comput Vision Image Understanding 66: 207–222. DeYoe EA, Bandettini P, Neitz J, Miller D, Winans P. 1994. Functional magnetic resonance imaging (FMRI) of the human brain. J Neurosci Meth 54: 171–187. DeYoe EA, Carman GJ, Bandettini P, Glickman S, Wieser J, Coz R, Miller D, Neitz J. 1996. Mapping striate and extrastriate visual areas in human cerebral cortex. Proc Natl Acad Sci USA 93: 2382–2386. Medline Drury HA, Van Essen DC, Joshi SC, Miller MI. 1996. Analysis and comparison of areal partitioning schemes using two-dimensional fluid deformations. NeuroImage 3. Drury HA, Van Essen DC, Snyder AZ, Shulman GL, Akbudak E, Ollinger JM, Contruro JM, Raichle M, Collins DL, Neelin P, Peters TM, Evans AC. 1994. Data in standardized Talairach space. J Comput Assist Tomography 18: 292–295. Drury HA, Van Essen DC, Corbetta M, Snyder AZ. 1998. Surface-based analyses of the human cerebral cortex. In: A Toga (ed): Brain Warping. New York: Academic Press. Corbetta M. 1997. Warping fMRI activation patterns onto the visible man atlas using fluid deformations of cortical flat maps. NeuroImage 5. Engel SA, Rumelhart DE, Wandell BA, Lee AT, Glover GHL, Chichilnisky EJ, Shadlen MN. 1994. fMRI of human visual cortex. Nature 370: 106. Medline Evans AC, Collins DL, Neelin P, MacDonald D, Kamber M, Marrett TS. 1994. Three-dimensional correlative imaging: applications in human brain mapping. In: Thatcher et al. (eds): Functional Neuroimaging. San Diego: Academic Press. p 145–162. Fischl B, Dale AM, Sereno MI, Tootell RBH, Rosen BR. 1998. A coordinate system for the cortical surface. NeuroImage 7: S740. Fischl B, Sereno MI, Dale AM. 1998. Cortical surface-based analysis II: inflation, flattening, a surface-based coordinate system. NeuroImage 9: 195–207. Gabrieli JDE, Desmond JE, Demb JB, Wagner AD, Stone MV, Vaidya CJ, Glover GH. 1996. Functional magnetic resonance imaging of semantic memory processes in the frontal lobes. Psychol Sci 7: 278–283. Halgren E, Smith ME. 1987. Cognitive evoked potentials as modulatory processes in human memory formation and retrieval. Hum Neurobiol 6: 129–139. Medline Hunton DL, Miezen FJ, Buckner RL, Mier HI, Raichle ME, Petersen SE. 1996. An assessment of functional-anatomical variability in neuroimaging studies. Hum Brain Mapp 4: 122–139. Joshi SC, Miller MI, Grenander U. 1997. On the geometry and shape of brain submanifolds: processing of MR images of the human brain. Inter J Pattern Recognition Artificial Intelligence, special issue. Miller MI, Christensen GE, Amit Y, Grenander U. 1993. A mathematical textbook of deformable neuroanatomies. Proc Natl Acad Sci USA 90: 11944–11948. Medline Mortenson ME. 1997. Geometric Modeling, 2nd ed. New York: Wiley & Sons. Raichle ME, Fiez JA, Videen TO, MacLoed A-MK, Pardo JV, Fox PT, Petersen SE. 1994. Practice-related changes in human brain functional anatomy during nonmotor learning. Cerebral Cortex 4: 8–26. Medline Rugg MD, Coles MGH. 1995. ERP studies of memory. In: Electrophysiology of Mind: Event-related Brain Potentials and Cognition. New York: Oxford University Press, pp 132–170. Schacter D, Buckner R. 1998. Priming and the brain. Neuron 20: 185–195. Medline Sereno MI, Dale AM, Reppas JB, Kwong KK, Belliveau JW, Brady TJ, Rosen BR, Tootell RBH. 1995. Borders of multiple visual areas in humans revealed by functional magnetic resonance imaging. Science 268: 889–893. Medline Sereno MI, Dale AM, Liu A, Tootell RBH. 1996. A surface-based coordinate system for a canonical cortex. NeuroImage. Squire LR, Ojemann JG, Miezin FM, Petersen SE, Videen TO, Raichle ME. 1992. Activation of the hippocampus in normal humans: a functional anatomical study of memory. Proc Natl Acad Sci 89: 1837–1841. Medline Steinmetz HG, Freund HJ. 1989. Cerebral cortical localization: application and validation of the proportional grid system in MR imaging. J Comput Assist Tomography 13: 10–19. Talairach J, Tournoux P. 1998. Co-planar Stereotaxic Atlas of the Human Brain. New York: Thieme. Talairach J, Szikla G, Tournoux P, Prosalentis A, Bordas-Ferrier M, Covello L, Iacob M, Mempel E. 1967. Atlas d'Anatomie Stereotaxique du Telencephale. Paris: Masson. Thompson PNM, Toga AW. 1996. A surface-based technique for warping 3-dimensional images of the brain. IEEE Trans Med Imaging 15: 1–16. Thompson PM, MacDonald D, Mega MS, Holmes CJ, Evans AC, Toga AW. 1996. Detection and mapping of abnormal brain structure with a probabilistic atlas of cortical surfaces. J Comput Assist Tomography 21: 567–581. Thompson PM, Woods R, Mega M, Toga A. 1999. Mathematical computational challenges in creating deformable and probabilistic atlases of the human brain. Hum Brain Mapp (in press). Tootell RBH, Kwong KK, Belliveau JW, Baker JR, Stern CS, Savoy RL, Breiter H, Born R, Benson R, Brady TJ, Rosen BR. 1993. Functional MRI (fMRI) evidence for MY/V5 and associated visual cortical areas in man. Society for Neuroscience 23rd Annual Meeting, Washington, DC. Tootell RBH, Reppas JB, Kwong KK, Malach R, Born RT, Brady TJ, Rosen BR, Belliveau W. 1995. Functional analysis of human MT and related visual cortical areas using magnetic resonance imaging. J Neurosci 15: 3215–3230. Medline Ungerleider LG. 1995. Functional brain imaging studies of cortical mechanisms for memory. Science 270: 769–775. Medline Van Essen DC, Drury HA. 1989. Structural and functional analyses of human cerebral cortex using a surface-based atlas. J Neurosci 17: 7079–7102. Van Essen DC, Drury HA, Joshi S, Miller MI. 1996. Functional and structural mapping of human cerebral cortex: solutions are in the surfaces. Proc Natl Acad Sci. Zilles K, Armstrong E, Schleicher A, Kretschmann H-J. 1988. The human pattern of gyrification in the cerebral cortex. Anat Embryology 179: 173–179. Citing Literature Volume8, Issue41999Pages 272-284 ReferencesRelatedInformation