ABSTRACT Parkinson’s Disease (PD) is a progressive neurodegenerative disorder characterized by motor and cognitive deficits. The neurodegenerative process is thought to move stereotypically from the brainstem up to the cerebral cortex, possibly reflecting the spread of toxic alpha-synuclein molecules. Using a large, longitudinal, multi-center database of de novo PD patients, we tested whether focal reductions in cortical thickness could be explained by disease spread from a subcortical “disease reservoir” along the brain’s connectome. PD patients (n=105) and matched controls (n=57) underwent T1-MRI at entry and one year later. Over this period, PD patients demonstrated significantly greater loss of cortical thickness than healthy controls in parts of the left occipital and bilateral frontal lobes and right somatomotor-sensory cortex. Cortical regions with greater connectivity (measured functionally or structurally) to a “disease reservoir” evaluated via MRI at baseline demonstrated greater atrophy one year later. The atrophy pattern in the ventral frontal lobes resembled one described in certain cases of Alzheimer’s disease. Moreover, a multiple linear regression model suggested that cortical thinning was associated with impaired cognitive function at follow-up. Our findings suggest that disease propagation to the cortex in PD follows neural connectivity, and that disease spread to the cortex may herald the onset of cognitive impairment.

Abstract Background The hippocampal-to-ventricle ratio (HVR) is a biomarker of medial temporal atrophy, particularly useful in the assessment of neurodegeneration in diseases such as Alzheimer’s disease (AD). To minimize subjectivity and inter-rater variability, an automated, accurate, precise, and reliable segmentation technique for the hippocampus (HC) and surrounding cerebro-spinal fluid (CSF) filled spaces — such as the temporal horns of the lateral ventricles — is essential. Methods We trained and evaluated three automated methods for the segmentation of both HC and CSF (Multi-Atlas Label Fusion (MALF), Nonlinear Patch-Based Segmentation (NLPB), and a Convolutional Neural Network (CNN)). We then evaluated these methods, including the widely used FreeSurfer technique, using baseline T1w MRIs of 1,641 participants from the AD Neuroimaging Initiative study with various degree of atrophy associated with their cognitive status on the spectrum from cognitively healthy to clinically probable AD. Our gold standard consisted in manual segmentation of HC and CSF from 80 cognitively healthy individuals. We calculated HC volumes and HVR and compared all methods in terms of segmentation reliability, similarity across methods, sensitivity in detecting between-group differences and associations with age, scores of the learning subtest of the Rey Auditory Verbal Learning Test (RAVLT) and the Alzheimer’s Disease Assessment Scale 13 (ADAS13) scores. Results Cross validation demonstrated that the CNN method yielded more accurate HC and CSF segmentations when compared to MALF and NLPB, demonstrating higher volumetric overlap (Dice Kappa = 0.94) and correlation (rho = 0.99) with the manual labels. It was also the most reliable method in clinical data application, showing minimal failures. Our comparisons yielded high correlations between FreeSurfer, CNN and NLPB volumetric values. HVR yielded higher control:AD effect sizes than HC volumes among all segmentation methods, reinforcing the significance of HVR in clinical distinction. Associations The positive association with age was significantly stronger for HVR compared to HC volumes on all methods except FreeSurfer. Memory associations with HC volumes or HVR were only significant for individuals with mild cognitive impairment. Finally, the HC volumes and HVR showed comparable negative associations with ADAS13, particularly in the mild cognitive impairment cohort. Conclusion This study provides an evaluation of automated segmentation methods centered to estimate HVR, emphasizing the superior performance of a CNN-based algorithm. The findings underscore the pivotal role of accurate segmentation in HVR calculations for precise clinical applications, contributing valuable insights into medial temporal lobe atrophy in neurodegenerative disorders, especially AD. Authorship Sofia Fernandez-Lozano: Conceptualization, Methodology, Software, Investigation, Writing – Original Draft, Visualization. Vladimir Fonov: Software, Data Curation. Dorothee Schoemaker: Resources, Writing – Review & Editing. Jens Pruessner: Resources, Writing – Review & Editing. Olivier Potvin: Resources, Writing – Review & Editing. Simon Duchesne: Resources, Writing – Review & Editing. D. Louis Collins: Conceptualization, Writing – Review & Editing, Supervision.

Linear registration to stereotaxic space is a common first step in many automated image-processing tools for analysis of human brain MRI scans. This step is crucial for the success of the following image-processing steps. Several well-established algorithms are commonly used in the field of neuroimaging for this task, but none of them has a 100% success rate. Manual assessment of the registration is commonly used as part of quality control. We propose a completely automatic quality control method based on deep learning that replaces human rater and accurately performs quality control assessment for stereotaxic registration of T1w brain scans. In a recently published study from our group comparing linear registration methods, we used a database of 9693 MRI scans from several publically available datasets and applied five linear registration tools. In this study, the resulting images that were assessed and labeled by a human rater are used to train a deep neural network to detect cases when registration failed. Our method was able to achieve 88% accuracy and 11% false positive rate in detecting scans that should pass quality control, better than a manual QC rater.

In the field of computation anatomy, the diffeomorphic framework is widely used to perform analysis of human brain anatomy in both healthy and diseased populations. While useful for analysis, the framework imposes certain implementation constraints that do not necessarily result in improved accuracy of inter-subject co-registration in case of average anatomical template (AAT) construction - a common technique used in large population studies. In this work, we evaluated several state-of-the-art non-diffeomorphic and diffeomorphic non-linear registration frameworks in terms of their ability to build AATs. While all methods generated well behaved transforms, we found that the diffeomorphic framework does not automatically guarantee an increase of accuracy in average anatomical template construction.

Abstract The Nucleus Basalis of Meynert (NbM) is the main source of cholinergic projection to the entorhinal cortex (EC) and hippocampus (HC), where acetylcholine plays a key role in their function. Both cholinergic cells of NbM and their receptive targets in the EC and HC show sensitivity to neurofibrillary degeneration during the early stages of Alzheimer’s disease. Precise delineation of the NbM region on T1w scans is challenging due to limited spatial resolution and contrast. Using deformation-based morphometry (DBM), we sought to quantify NbM degeneration along the Alzheimer’s disease trajectory and confirm recent studies suggesting that NbM degeneration happens before degeneration in the EC or HC. MRI scans of 1447 participants from the Alzheimer’s Disease Neuroimaging Initiative (ADNI1, 2 and GO) were up-sampled to 0.5 mm voxel-size in each direction (0.125 mm 3 ) before non-linear registration to an ADNI-based unbiased symmetric average MRI template. A subgroup of 677 amyloid-positive participants were chosen for volume time course analysis where the resulting deformation fields were used to compute a high-resolution Jacobian determinant map for each participant as a proxy for local volume change within NbM, EC, and HC masks. Scores of volume change were corrected for age and sex and z-scored using normative data from cognitively healthy amyloid-negative (CN-) participants (n = 219). Two-sample t-tests were then used to compare the baseline differences between NbM, EC, and HC for amyloid-positive cognitively normal controls (CN+), amyloid-positive early mild cognitive impairment (eMCI), and amyloid-positive late mild cognitive impairment (lMCI). Longitudinal linear mixed-effect models were used to compare trajectories of volume change after realigning all participants into a common timeline based on their cognitive decline. Results showed a significant cross-sectional difference at baseline between CN+ and eMCI, and eMCI and lMCI for both left and right Z-scored NbM volumes. There was no difference in z-scored EC and HC volumes between CN+ and eMCI groups but results from eMCI and lMCI differed significantly in these regions. Longitudinal analysis, with a focus on the early disease stages showed the earliest deviation from the CN- trajectory in the NbM and HC in the subject-specific time realigned data. Contrary to the notion that Alzheimer’s disease originates in EC, we found that NbM volume changes earlier in the disease trajectory than EC or HC. Converging evidence from cross-sectional and longitudinal models suggest that the NbM may be a focal target of early AD progression, which is often obscured by normal age-related decline.

Public distribution of imaging information from several MRI data processing projects at the BIC has lead to the development of this DEFACING algorithm that is used as part of anonymisation process. Key features of the algorithm include: the defacing should modify voxels associated with face of the subject, making a rendering of the face unrecognisable, it should work on data in the native scanner space and it should not significantly affect subsequent data processing outcome (model based registration, brain extraction, brain tissue classification and brain segmentation). The algorithm is implemented using the MINC library and source code is publicly available. The effect of the defacing algorithm on the data processing was verified using the ICBM database of 152 scans of young adults.

Background: Predicting cognitive decline and the eventual onset of dementia in patients with Mild Cognitive Impairment (MCI) is of high value for patient management and potential cohort enrichment in pharmaceutical trials. We used cognitive scores and MRI biomarkers from a single baseline visit to predict the onset of dementia in an MCI population over a nine-year follow-up period. Method: All MCI subjects from ADNI1, ADNI2, and ADNI-GO with available baseline cognitive scores and T1w MRI were included in the study (n=756). We built a Naive Bayes classifier for every year over a 9-year follow-up period and tested each one with Leave one out cross validation. Results: We reached 87% prediction accuracy at five years follow-up with an AUC>0.85 from two to seven years (peaking at 0.92 at five years). Both cognitive test scores and MR biomarkers were needed to make the prognostic models highly sensitive and specific, especially for longer follow-ups. MRI features are more sensitive, while cognitive features bring specificity to the prediction. Conclusion: Combining cognitive scores and MR biomarkers yield accurate prediction years before onset of dementia. Such a tool may be helpful in selecting patients that would most benefit from lifestyle changes, and eventually early treatments that would slow cognitive decline and delay the onset of dementia.

Purpose The non-classical Small Optic Lobe (SOL) family of calpains are intracellular cysteine proteases that are expressed in the nervous system and appear to play an important role in neuronal development in both Drosophila , where loss of this calpain leads to the eponymous small optic lobes, and in mouse and human, where loss of this calpain (Capn15) leads to eye anomalies. However, the brain regions where this calpain is expressed and the areas most affected by the loss of this calpain have not been carefully examined.Procedures We utilize an insert strain where lacZ is expressed under the control of the Capn15 promoter, together with immunocytochemistry with markers of specific cell types to address where Capn 15 is expressed in the brain. We use small animal MRI comparing WT, Capn15 knockout and Capn15 conditional knockout mice to address the brain regions that are affected when Capn 15 is not present, either in early development of the adult.Results Capn15 is expressed in diverse brain regions, many of them involved in plasticity such as the hippocampus, lateral amygdala and Purkinje neurons. Capn15 knockout mice have smaller brains, and present specific deficits in the thalamus and hippocampal regions. There are no deficits revealed by MRI in brain regions when Capn15 is knocked out after development.Conclusions Areas where Capn15 is expressed in the adult are not good markers for the specific regions where the loss of Capn15 specifically affects brain development. Thus, it is likely that this calpain plays distinct roles in brain development and brain plasticity.

We propose a tissue classification method for MRI scans of 6-month old infants, and used it to process the iSeg-2017 challenge data. The method relies on a deep-learning 3D U-Net network, trained with MRI scans of 216 infants, aged 6-24 months, from the ACE-IBIS longitudinal database.

Quantitative T2 data from an NIH-sponsored multi-center study of Normal Brain Development was used to perform automatic voxel-wise analysis of the changes in T2 evolution in the brain in healthy children within the age range from birth to 5 years. All data were non-linearly registered into a common coordinate space. The T2 parameters were estimated by 2 point fitting from the PD-weighted and T2-weighted image data, or by least-squares fitting of 4 data points when addition intermediate weighting images were available. The main result of this study is voxel-level map of monoexponential evolution of T2 in this age range indicating the delay (in months) and the rate (in 1/months) of development. The automatic maps are compared to manual region-of-interest based estimates of T2 evolution.