In both diagnostic and research applications, the interpretation of MR images of the human brain is facilitated when different data sets can be compared by visual inspection of equivalent anatomical planes. Quantitative analysis with predefined atlas templates often requires the initial alignment of atlas and image planes. Unfortunately, the axial planes acquired during separate scanning sessions are often different in their relative position and orientation, and these slices are not coplanar with those in the atlas. We have developed a completely automatic method to register a given volumetric data set with Talairach stereotaxic coordinate system.The registration method is based on multi-scale, three-dimensional (3D) cross-correlation with an average (n > 300) MR brain image volume aligned with the Talariach stereotaxic space. Once the data set is re-sampled by the transformation recovered by the algorithm, atlas slices can be directly superimposed on the corresponding slices of the re-sampled volume. the use of such a standardized space also allows the direct comparison, voxel to voxel, of two or more data sets brought into stereotaxic space.With use of a two-tailed Student t test for paired samples, there was no significant difference in the transformation parameters recovered by the automatic algorithm when compared with two manual landmark-based methods (p > 0.1 for all parameters except y-scale, where p > 0.05). Using root-mean-square difference between normalized voxel intensities as an unbiased measure of registration, we show that when estimated and averaged over 60 volumetric MR images in standard space, this measure was 30% lower for the automatic technique than the manual method, indicating better registrations. Likewise, the automatic method showed a 57% reduction in standard deviation, implying a more stable technique. The algorithm is able to recover the transformation even when data are missing from the top or bottom of the volume.We present a fully automatic registration method to map volumetric data into stereotaxic space that yields results comparable with those of manually based techniques. The method requires no manual identification of points or contours and therefore does not suffer the drawbacks involved in user intervention such as reproducibility and interobserver variability.

Motivated by the vast amount of information that is rapidly accumulating about the human brain in digital form, we embarked upon a program in 1992 to develop a four–dimensional probabilistic atlas and reference system for the human brain. Through an International Consortium for Brain Mapping (ICBM) a dataset is being collected that includes 7000 subjects between the ages of eighteen and ninety years and including 342 mono– and dizygotic twins. Data on each subject includes detailed demographic, clinical, behavioural and imaging information. DNA has been collected for genotyping from 5800 subjects. A component of the programme uses post–mortem tissue to determine the probabilistic distribution of microscopic cyto– and chemoarchitectural regions in the human brain. This, combined with macroscopic information about structure and function derived from subjects in vivo , provides the first large scale opportunity to gain meaningful insights into the concordance or discordance in micro– and macroscopic structure and function. The philosophy, strategy, algorithm development, data acquisition techniques and validation methods are described in this report along with database structures. Examples of results are described for the normal adult human brain as well as examples in patients with Alzheimer's disease and multiple sclerosis. The ability to quantify the variance of the human brain as a function of age in a large population of subjects for whom data is also available about their genetic composition and behaviour will allow for the first assessment of cerebral genotype–phenotype–behavioural correlations in humans to take place in a population this large. This approach and its application should provide new insights and opportunities for investigators interested in basic neuroscience, clinical diagnostics and the evaluation of neuropsychiatric disorders in patients.

After conception and implementation of any new medical image processing algorithm, validation is an important step to ensure that the procedure fulfils all requirements set forth at the initial design stage. Although the algorithm must be evaluated on real data, a comprehensive validation requires the additional use of simulated data since it is impossible to establish ground truth with in vivo data. Experiments with simulated data permit controlled evaluation over a wide range of conditions (e.g., different levels of noise, contrast, intensity artefacts, or geometric distortion). Such considerations have become increasingly important with the rapid growth of neuroimaging, i.e., computational analysis of brain structure and function using brain scanning methods such as positron emission tomography and magnetic resonance imaging. Since simple objects such as ellipsoids or parallelepipedes do not reflect the complexity of natural brain anatomy, the authors present the design and creation of a realistic, high-resolution, digital, volumetric phantom of the human brain. This three-dimensional digital brain phantom is made up of ten volumetric data sets that define the spatial distribution for different tissues (e.g., grey matter, white matter, muscle, skin, etc.), where voxel intensity is proportional to the fraction of tissue within the voxel. The digital brain phantom can be used to simulate tomographic images of the head. Since the contribution of each tissue type to each voxel in the brain phantom is known, it can be used as the gold standard to test analysis algorithms such as classification procedures which seek to identify the tissue "type" of each image voxel. Furthermore, since the same anatomical phantom may be used to drive simulators for different modalities, it is the ideal tool to test intermodality registration algorithms. The brain phantom and simulated MR images have been made publicly available on the Internet (http://www.bic.mni.mcgill.ca/brainweb).

With the advent of noninvasive neuroimaging, a plethora of digital human neuroanatomical atlases has been developed. The accuracy of these atlases is constrained by the resolution and signal-gathering powers of available imaging equipment. In an attempt to circumvent these limitations and to produce a high resolution in vivo human neuroanatomy, we investigated the usefulness of intrasubject registration for post hoc MR signal averaging.Twenty-seven high resolution (7 x 0.78 and 20 x 1.0 mm3) T1-weighted volumes were acquired from a single subject, along with 12 double echo T2/proton density-weighted volumes. These volumes were automatically registered to a common stereotaxic space in which they were subsampled and intensity averaged. The resulting images were examined for anatomical quality and usefulness for other analytical techniques.The quality of the resulting image from the combination of as few as five T1 volumes was visibly enhanced. The signal-to-noise ratio was expected to increase as the root of the number of contributing scans to 5.2, n = 27. The improvement in the n = 27 average was great enough that fine anatomical details, such as thalamic subnuclei and the gray bridges between the caudate and putamen, became crisply defined. The gray/white matter boundaries were also enhanced, as was the visibility of any finer structure that was surrounded by tissue of varying T1 intensity. The T2 and proton density average images were also of higher quality than single scans, but the improvement was not as dramatic as that of the T1 volumes.Overall, the enhanced signal in the averaged images resulted in higher quality anatomical images, and the data lent themselves to several postprocessing techniques. The high quality of the enhanced images permits novel uses of the data and extends the possibilities for in vivo human neuroanatomy.

Structural maturation of fiber tracts in the human brain, including an increase in the diameter and myelination of axons, may play a role in cognitive development during childhood and adolescence. A computational analysis of structural magnetic resonance images obtained in 111 children and adolescents revealed age-related increases in white matter density in fiber tracts constituting putative corticospinal and frontotemporal pathways. The maturation of the corticospinal tract was bilateral, whereas that of the frontotemporal pathway was found predominantly in the left (speech-dominant) hemisphere. These findings provide evidence for a gradual maturation, during late childhood and adolescence, of fiber pathways presumably supporting motor and speech functions.

To adapt the so-called nonlocal means filter to deal with magnetic resonance (MR) images with spatially varying noise levels (for both Gaussian and Rician distributed noise).Most filtering techniques assume an equal noise distribution across the image. When this assumption is not met, the resulting filtering becomes suboptimal. This is the case of MR images with spatially varying noise levels, such as those obtained by parallel imaging (sensitivity-encoded), intensity inhomogeneity-corrected images, or surface coil-based acquisitions. We propose a new method where information regarding the local image noise level is used to adjust the amount of denoising strength of the filter. Such information is automatically obtained from the images using a new local noise estimation method.The proposed method was validated and compared with the standard nonlocal means filter on simulated and real MRI data showing an improved performance in all cases.The new noise-adaptive method was demonstrated to outperform the standard filter when spatially varying noise is present in the images.

Abstract Explicit segmentation is required for many forms of quantitative neuroanatomic analysis. However, manual methods are time‐consuming and subject to errors in both accuracy and reproducibility (precision). A 3‐D model‐based segmentation method is presented in this paper for the completely automatic identification and delineation of gross anatomical structures of the human brain based on their appearance in magnetic resonance images (MRI). The approach depends on a general, iterative, hierarchical non‐linear registration procedure and a 3‐D digital model of human brain anatomy that contains both volumetric intensity‐based data and a geometric atlas. Here, the traditional segmentation strategy is inverted: instead of matching geometric contours from and idealized atlas directly to the MRI data, segmentation is achieved by identifying the non‐linear spatial transformation that best maps corresponding intensity‐based features between a model image and a new MRI brain volume. When completed, atlas contours defined on the model image are mapped through the same transformation to segment and label individual structures in the new data set. Using manually segmented sturcture boundaries for comparison, measures of volumetric difference and volumetric overlap were less than 2% and better than 97% for realistic brain phantom data, and less than 10% and better than 85%, respectively, for human MRI data. This compares favorably to intra‐observer variability estimates of 4.9% and 87%, respectively. The procedure performs well, is objective and its implementation robust. The procedure requires no manual intervention, and is thus applicable to studies of large numbers of subjects. The general method for non‐linear image matching is also useful for non‐linear mapping of brain data sets into stereotaxic space if the target volume is already in stereotaxic space. © 1995 Wiley‐Liss, Inc.

Brain enlargement has been observed in children with autism spectrum disorder (ASD), but the timing of this phenomenon, and the relationship between ASD and the appearance of behavioural symptoms, are unknown. Retrospective head circumference and longitudinal brain volume studies of two-year olds followed up at four years of age have provided evidence that increased brain volume may emerge early in development. Studies of infants at high familial risk of autism can provide insight into the early development of autism and have shown that characteristic social deficits in ASD emerge during the latter part of the first and in the second year of life. These observations suggest that prospective brain-imaging studies of infants at high familial risk of ASD might identify early postnatal changes in brain volume that occur before an ASD diagnosis. In this prospective neuroimaging study of 106 infants at high familial risk of ASD and 42 low-risk infants, we show that hyperexpansion of the cortical surface area between 6 and 12 months of age precedes brain volume overgrowth observed between 12 and 24 months in 15 high-risk infants who were diagnosed with autism at 24 months. Brain volume overgrowth was linked to the emergence and severity of autistic social deficits. A deep-learning algorithm that primarily uses surface area information from magnetic resonance imaging of the brain of 6-12-month-old individuals predicted the diagnosis of autism in individual high-risk children at 24 months (with a positive predictive value of 81% and a sensitivity of 88%). These findings demonstrate that early brain changes occur during the period in which autistic behaviours are first emerging.