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 Connections among brain regions allow pathological perturbations to spread from a single source region to multiple regions. Patterns of neurodegeneration in multiple diseases, including behavioral variant of frontotemporal dementia (bvFTD), resemble the large-scale functional systems, but how bvFTD-related atrophy patterns relate to structural network organization remains unknown. Here we investigate whether neurodegeneration patterns in sporadic and genetic bvFTD are conditioned by connectome architecture. Regional atrophy patterns were estimated in both genetic bvFTD (75 patients, 247 controls) and sporadic bvFTD (70 patients, 123 controls). We first identify distributed atrophy patterns in bvFTD, mainly targeting areas associated with the limbic intrinsic network and insular cytoarchitectonic class. Regional atrophy was significantly correlated with atrophy of structurally- and functionally-connected neighbors, demonstrating that network structure shapes atrophy patterns. The anterior insula was identified as the predominant group epicenter of brain atrophy using data-driven and simulation-based methods, with some secondary regions in frontal ventromedial and anteromedial temporal areas. Finally, we find that FTD-related genes, namely C9orf72 and TARDBP, confer local transcriptomic vulnerability to the disease, effectively modulating the propagation of pathology through the connectome. Collectively, our results demonstrate that atrophy patterns in sporadic and genetic bvFTD are jointly shaped by global connectome architecture and local transcriptomic vulnerability.

Abstract Background Research suggests that cerebral small vessel disease (CSVD), amyloid, and pTau contribute to age-related cognitive decline. It remains unknown how these factors relate to one another, nor how they jointly contribute to cognitive decline in normal aging. This project examines the association between these pathologies and their relationship to cognitive decline in cognitively normal older adults without subjective cognitive decline. Methods A total of 230 subjects with CSF Aß42, CSF pTau181, white matter hyperintensities (WMHs) used as a proxy of CSVD and cognitive scores from the Alzheimer’s Disease Neuroimaging Initiative were included. Associations between each pathology and cognitive score were investigated using regression models. Furthermore, relationships between the three pathologies were also examined using regression models. Results At baseline, there was an inverse association between WMH load and Aß42 ( t =-4.20, p <.001). There was no association between WMH load and pTau (t=0.32, p=0.75), nor with Aß42 and pTau ( t =0.51, p =.61). Correcting for age, sex and education, baseline WMH load was associated with baseline ADAS-13 scores ( t =2.59, p =.01) and lower follow-up executive functioning ( t = -2.84, p =.005). Baseline Aß42 was associated with executive function at baseline ( t =3.58, p< .004) but not at follow-up ( t =1.05, p =0.30), nor with ADAS-13 at baseline (t=-0.24, p0.81) or follow-up ( t =0.09, p =0.93). Finally, baseline pTau was not associated with any cognitive measure at baseline or follow-up. Conclusion Both baseline Aß42 and WMH load are associated with some baseline cognition scores, but only baseline WMH load is associated with follow-up executive functioning, indicating that it may be one of the earliest pathologies that contributes to future cognitive decline, in cognitively healthy older adults. Given that healthy older adults with WMH pathology exhibit declines in cognitive functioning, they may be less resilient to future pathology increasing their risk for cognitive impairment due to dementia than those without WMHs.

A bstract Neuroimaging stands to benefit from emerging ultrahigh-resolution histological atlases of the human brain; the first of which is “BigBrain”. Ongoing research aims to characterise regional differentiation of cytoarchitecture with BigBrain and to optimise registration of BigBrain with standard neuroimaging templates. Together, this work paves the way for multi-scale investigations of brain organisation. However, working with BigBrain can present new challenges for neuroimagers, including dealing with cellular resolution neuroanatomy and complex transformation procedures. To simplify workflows and support adoption of best practices, we developed BigBrainWarp, a toolbox for integration of BigBrain with multimodal neuroimaging. The primary BigBrainWarp function wraps multiple state-of-the-art deformation matrices into one line of code, allowing users to easily map data between BigBrain and standard MRI spaces. Additionally, the toolbox contains ready-to-use cytoarchitectural features to improve accessibility of histological information. The present article discusses recent contributions to BigBrain-MRI integration and demonstrates the utility of BigBrainWarp for further investigations.

ABSTRACT INTRODUCTION Cognitive decline in Alzheimer’s disease is associated with amyloid-β accumulation, neurodegeneration and cerebral small vessel disease, but the temporal relationships between these factors is not well established. METHODS Data included white matter hyperintensity (WMH) load, grey matter (GM) atrophy and Alzheimer’s Disease Assessment Scale-Cognitive-Plus (ADAS13) scores for 720 participants and cerebrospinal fluid amyloid (Aβ1-42) for 461 participants from the Alzheimer’s Disease Neuroimaging Initiative. Linear regressions were used to assess the relationships between baseline WMH, GM, and Aβ1-42 to changes in WMH, GM, Aβ1-42, and cognition at one-year follow-up. RESULTS Baseline WMHs and Aβ1-42 predicted WMH increase and GM atrophy. Baseline WMHs, GM, and Aβ1-42 predicted worsening cognition. Only baseline Aβ1-42 predicted change in Aβ1-42. DISCUSSION Baseline WMHs lead to greater future GM atrophy and cognitive decline, suggesting that WM damage precedes neurodegeneration and cognitive decline. Baseline Aβ1-42 predicted WMH increase, suggesting a potential role of amyloid in WM damage. Research in Context Systematic Review : Both amyloid β and neurodegeneration are primary pathologies in Alzheimer’s disease. White matter hyperintensities (indicative of presence of cerebrovascular disease) might also be part of the pathological changes in Alzheimer’s. However, the temporal relationship between white matter hyperintensities, amyloid β, neurodegeneration, and cognitive decline is still unclear. Interpretation : Our results establish a potential temporal order between white matter hyperintensities, amyloid β, neurodegeneration, and cognitive decline, showing that white matter hyperintensities precede neurodegeneration and cognitive decline. The results provide some evidence that amyloid β deposition, in turn, precedes accumulation of white matter hyperintensities. Future Directions : The current findings reinforce the need for future longitudinal investigations of the mechanisms through which white matter hyperintensities impact the aging population in general and Alzheimer’s disease patients, in particular.

Abstract Brain atlases that encompass detailed anatomical or physiological features are instrumental in the research and surgical planning of various neurological conditions. Magnetic resonance imaging (MRI) has played important roles in neuro-image analysis while histological data remain crucial as a gold standard to guide and validate such analyses. With cellular-scale resolution, the BigBrain atlas offers 3D histology of a complete human brain, and is highly valuable to the research and clinical community. To bridge the insights at macro- and micro-levels, accurate mapping of BigBrain and established MRI brain atlases is necessary, but the existing registration is unsatisfactory. The described dataset includes co-registration of the BigBrain atlas to the MNI PD25 atlas and the ICBM152 2009b atlases (symmetric and asymmetric versions) in addition to manual segmentation of the basal ganglia, red nucleus, and hippocampus for all mentioned atlases. The dataset intends to provide the bridge between insights from histological data and MRI studies in research and neurosurgical planning. The registered atlases, anatomical segmentations, and deformation matrices are available at: nist.mni.mcgill.ca/?p=1209 .

Abstract Introduction White matter hyperintensities (WMHs) as seen on T2w and FLAIR scans represent small-vessel disease related changes in the brain. WMHs are associated with cognitive decline in the normal aging population in general and more specifically in patients with neurodegenerative diseases. In this study, we assessed the different spatial patterns and relationships between WMHs and grey matter (GM) atrophy in normal aging, individuals with mild cognitive impairment (MCI), Alzheimer’s dementia (AD), fronto-temporal dementia (FTD), and de novo Parkinson’s disease (PD). Methods Imaging and clinical data were obtained from 3 large multi-center databases: The Alzheimer’s Disease Neuroimaging Initiative (ADNI), the frontotemporal lobar degeneration neuroimaging initiative (NIFD), and the Parkinson’s Progression Markers Initiative (PPMI). WMHs and GM atrophy maps were measured in normal controls (N= 571), MCI (N= 577), AD (N= 222), FTD (N= 144), and PD (N= 363). WMHs were segmented using T1w and T2w/PD or FLAIR images and mapped onto 45 white matter tracts using the Yeh WM atlas. GM volume was estimated from the Jacobian determinant of the nonlinear deformation field required to map the subject’s MRI to a standard template. The CerebrA atlas was used to obtain volume estimates in 84 GM regions. Mixed effects models were used to compare WMH in different WM tracts and volume of multiple GM structures between patients and controls, assess the relationship between regional WMHs and GM loss for each disease, and investigate their impact on cognition. Results MCI, AD, and FTD patients had significantly higher WMH loads than the matched controls. There was no significant difference in WMHs between PD and controls. For each cohort, significant interactions between WMH load and GM atrophy were found for several regions and tracts, reflecting additional contribution of WMH burden to GM atrophy. While these associations were more relevant for insular and parieto-occipital regions in MCI and AD cohorts, WMH burden in FTD subjects had greater impact on frontal and basal ganglia atrophy. Finally, we found additional contribution of WMH burden to cognitive deficits in AD and FTD subjects compared with matched controls, whereas their impact on cognitive performance in MCI and PD were not significantly different from controls. Conclusions WMHs occur more extensively in MCI, AD, and FTD patients than age-matched normal controls. WMH burden on WM tracts also correlates with regional GM atrophy in regions anatomically and functionally related to those tracts, suggesting a potential involvement of WMHs in the neurodegenerative process.

Recent molecular genetic studies have shown that the majority of genes associated with obesity are expressed in the central nervous system. Obesity has also been associated with neurobehavioural factors such as brain morphology, cognitive performance, and personality. Here, we tested whether these neurobehavioural factors were associated with the heritable variance in obesity measured by body mass index (BMI) in the Human Connectome Project (N=895 siblings). Phenotypically, cortical thickness findings supported the 'right brain hypothesis' for obesity. Namely, increased BMI associated with decreased cortical thickness in right frontal lobe and increased thickness in the left frontal lobe, notably in lateral prefrontal cortex. In addition, lower thickness and volume in entorhinal-parahippocampal structures, and increased thickness in parietal-occipital structures in participants with higher BMI supported the role of visuospatial function in obesity. Brain morphometry results were supported by cognitive tests, which outlined a negative association between BMI and visuospatial function, verbal episodic memory, impulsivity, and cognitive flexibility. Personality-BMI correlations were inconsistent. We then aggregated the effects for each neurobehavioural factor for a behavioural genetics analysis and estimated each factor's genetic overlap with BMI. Cognitive test scores and brain morphometry had 0.25 - 0.45 genetic correlations with BMI, and the phenotypic correlations with BMI were 77-89% explained by genetic factors. Neurobehavioural factors also had some genetic overlap with each other. In summary, obesity as measured by BMI has considerable genetic overlap with brain and cognitive measures. This supports the theory that obesity is inherited via brain function, and may inform intervention strategies.

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.

Capturing early changes in the brain related to Alzheimer's disease may lead to models that successfully predict cognitive decline and the eventual onset of dementia, well ahead of onset of clinical symptoms. In this study we used both hippocampal volume and our hippocampal driven SNIPE score to show which marker better captures Alzheimer's related changes in a large dataset of normal controls (N=515) from the ADNI study, comparing controls that remain cognitively stable and controls that progress to either MCI or Alzheimer's dementia during 10 years of follow-up (median follow-up: 30 months). We measured hippocampal volume and SNIPE score and found that the effect size to differentiate between stable and progressor groups was significantly larger for SNIPE score than for volume. Our results also show that there is a significant age-related difference between groups for both markers, and the difference is greater with the SNIPE score. Our experiments show that considering high sensitivity of our SNIPE score regarding to early AD-related brain changes, this marker is a better candidate in comparison to hippocampal volume for predicting the future onset of dementia.