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.

Abstract Substance use disorders (SUDs) are characterized by a compulsion to seek and consume one or more substances of abuse, with a perceived loss of control and negative emotional state. Repeated use of a substance results in synaptic and morphological changes, secondary to toxicity and SUD pathology in the dopamine striato-thalamo-cortical and limbic pathways. These neuroadaptations seem to vary between studies, which could be related to divergent effects of substances, consumption severity or other unknown factors. We therefore identified studies investigating the effects of SUDs using volumetric whole-brain voxel-based morphometry (VBM) in gray (GM) and white matter (WM). We performed a systematic review and meta-analysis of VBM studies using the anatomic likelihood estimation (ALE) method implemented in GingerALE (PROSPERO pre-registration CRD42017071222 ). Fifty studies met inclusion criteria and were included in the final quantitative meta-analysis, with a total of 538 foci, 88 experiments and 4370 participants. We found convergence and divergence in brain regions and volume effects (higher vs lower volume) in GM and WM depending on the severity of consumption pattern and type of substance. Convergent pathology was evident across substances in GM of the insula, anterior cingulate cortex, putamen, and thalamus, and in WM of the thalamic radiation and internal capsule bundle. Divergent pathology between occasional use (cortical pathology) and addiction (cortical-subcortical pathology) provides evidence of a possible top-down neuroadaptation. Our findings indicate distinctive brain morphometry alterations in SUDs, which may inform our understanding of disease progression and ultimately therapeutic approaches.

Abstract Quality control (QC) is an important part of all scientific analysis, including neuroscience. With manual curation considered the gold standard, there remains a lack of available tools that make manual neuroimaging QC accessible, fast, and easy. In this article we present Qrater, a containerized web-based python application that enables viewing and rating of previously generated QC images. A group of raters with varying amounts of experience in QC evaluated Qrater in three different tasks: QC of MRI raw acquisition (10,196 images), QC of non-linear registration to a standard template (10,196 images) and QC of skull segmentation (6,968 images). We measured the proportion of failed images, timing and intra- and inter-rater agreement. Raters spent vastly different amounts of time on each image depending on their experience and the task at hand. QC of MRI raw acquisition was the slowest. While an expert rater needed approximately one minute, trained raters spent 2-6 minutes evaluating an image. The fastest was the curation of a skull segmentation image, where expert raters spent on average 3 seconds per image before assigning a rating. Rating agreement also varied depending on the experience of the raters and the task at hand: trained raters’ inter-rater agreement with the expert’s gold standard ranged from fair to substantial in raw acquisition (Cohen’s chance corrected kappa agreement scores up to 0.72) and from fair to excellent in linear registration (kappa scores up to 0.82), while the experts’ inter-rater agreement of the skull segmentation task was excellent (kappa = 0.83). These results demonstrate that Qrater is a useful asset for QC tasks that rely on manual curation of images.